逆向思维与统计研究-e书联盟.ppt

用ARIMA模型拟合例tssales.sav 关于于参数，不要选得过大；每次拟合之后要检查残差的acf和pacf图，看是否为无关随机序列。 在SPSS软件中还有类似于回归系数的检验以及其他一些判别标准的计算机输出可做参考（这里不细说）。 经过几次对比之后，对于例16.1数据我们最后选中了ARIMA(0,1,1)( 0,1,1)12模型来拟合。拟合的结果和对2003年12个月的预测在下图中。 例tssales.sav的原始序列和由模型得到的拟合值及对未来12个月的预测图。 例：数据AR1.sav 为了核对，当然要画出残差的acf和pacf的条形图来看是否还有什么非随机的因素存在。下图为这两个点图，看来我们的模型选择还是适当的。 用ARIMA模型拟合带有独立变量的时间序列 例：数据tsadds2.sav是一个销售时间序列，以每周七天为一个季节周期，除了销售额序列sales之外，还有一个广告花费的独立变量adds。先不理睬这个独立变量，把该序列当成纯粹时间序列来用ARIMA模型拟合。右图为该序列的点图。 数据tsadds2.sav 再首先点出其acf和pacf条形图 acf图显然不是拖尾模式，因此，必须进行差分以消除季节影响。试验多次之后，看上去ARIMA(2,1,2)( 0,1,1)7的结果还可以接受。残差的pacf和acf条形图在下一页图中 用ARIMA模型拟合