MBA统计学15时间序列分析.pptxVIP

统计学;第十五章 时间序列分析 ;横截面数据时间序列数据;横截面数据时间序列数据;时间序列和回归;时间序列和回归;例tssales.txt;从该表格中的众多的数据只能够看出个大概；即总的趋势是增长，但有起伏。;例tssales.txt;例tssales.txt;SPSS的实现:时间序列数据的产生;SPSS的实现:时间序列数据的点图;15.1 时间序列的组成部分 ;时间序列的组成部分 ;时间序列的组成部分 ;时间序列的组成部分 ;时间序列的组成部分 ;时间序列的组成部分 ;SPSS的实现:时间序列的分解;15.2 指数平滑 ;15.2 指数平滑 ;指数平滑 ;指数平滑 ;指数平滑 ;我们例中时间序列数据的指数平滑和对未来的预测 ;SPSS的实现:指数平滑:tssales.sav数据;SPSS的实现:指数平滑;15.3 Box-Jenkins 方法:ARIMA模型 ;ARIMA模型 ：AR模型;ARIMA模型 ：AR模型;ARIMA模型 ：MA模型;ARIMA模型 ：ARMA模型;ARIMA模型：平稳性和可逆性;ARIMA模型：差分;ARIMA模型：差分;ARIMA模型：差分;ARMA模型的识别和估计 ;ARMA模型的识别和估计 ;ARMA模型的识别和估计 ;例：数据AR1.txt 为了直观地理解上面的概念，下面利用一个数据例子来描述。;例：数据AR1.txt；拖尾和截尾先来看该时间序列的acf(左)和pacf图(右) ;例：数据AR1.txt；拖尾和截尾;acf和pacf图;例：数据AR1.txt;例：数据AR1.txt;例：数据AR1.txt;例：数据AR1.txt;ARIMA (p,d,q)(P,D,Q)s模型;ARIMA (p,d,q)(P,D,Q)s模型;用ARIMA模型拟合例tssales.txt ;用ARIMA模型拟合例tssales.txt ;例tssales.txt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tssales.txt;用ARIMA模型拟合带有独立变量的时间序列 ;数据tsadds2.txt;用ARIMA模型拟合带有独立变量的时间序列 ;用ARIMA模型拟合带有独立变量的时间序列 ;用ARIMA模型拟合带有独立变量的时间序列 ;用ARIMA模型拟合带有独立变量的时间序列 ;SPSS的实现:ARIMA模型 ;SPSS的实现:ARIMA(p,d,q)(P,D,Q)s模型拟合 ;公式：指数平滑模型;指数平滑模型:线性趋势可加季节模型（Linear trend, additive seasonality model） ;指数平滑模型:线性趋势可乘季节模型（Linear trend, multiplicative seasonality model） ;指数平滑模型:指数趋势可加季节模型（Exponential trend, additive seasonality model） ;指数平滑模型:指数趋势可乘季节模型(Exponential trend, multiplicative seasonality model);指数平滑模型:减幅趋势可加季节模型（Damped trend, additive seasonality model） ;指数平滑模型:减幅趋势可乘季节模型（Damped trend, multiplicative seasonality model） ;ARIMA模型;ARIMA模型:为了便于描述公式，定义算子 ;AR(p)模型 ;MA(q)模型 ;ARMA(p,q)模型;ARIMA(p,d,q)(P,D,Q)s模型