数学建模spss-时间预测-心得总结及实例.docVIP

《一周总结，底稿供参考》

我们通过案例来说明：

假设我们拿到一个时间序列数据集：某男装生产线销售额。一个产品分类销售公司会根据过去10年的销售数据来预测其男装生产线的月销售情况。

现在我们得到了10年120个历史销售数据，理论上讲，历史数据越多预测越稳定，一般也要24个历史数据才行！

大家看到，原则上讲数据中没有时间变量，实际上也不需要时间变量，但你必须知道时间的起点和时间间隔。

当我们现在预测方法创建模型时，记住：一定要先定义数据的时间序列和标记！

这时候你要决定你的时间序列数据的开始时间，时间间隔，周期！在我们这个案例中，你要决定季度是否是你考虑周期性或季节性的影响因素，软件能够侦测到你的数据的季节性变化因子。

1-简单模型预测（即无趋势也无季节）

首先我们采用最为简单的建模方法，就是简单模型，这里我们不断尝试的目的是让大家熟悉各种预测模型，了解模型在什么时候不适合数据，这是成功构建模型的基本技巧。我们先不讨论模型的检验，只是直观的看一下预测模型的拟合情况，最后我们确定了预测模型后我们再讨论检验和预测值。

从图中我们看到，虽然简单模型确实显示了渐进的上升趋势，但并不是我们期望的结果，既没有考虑季节性变化，也没有周期性呈现，直观的讲基本上与线性预测没有差异。所以我们拒绝此模型。

2-Holt线性趋势预测

Holt线性指数平滑法，一般选择：针对等级的平滑系数lapha=0.1,针对趋势的平滑系数gamma=0.2；

从上面的拟合情况看，Holt预测模型更平滑了，也就是说Holt模型比简单模型显现了更强的平滑趋势，但未考虑季节因素，还是不理想，所以还应放弃此模型。

3-简单季节性模型

当我们考虑了季节性变化后，简单季节性预测模型基本上较好的拟合了数据的大趋势，也就是考虑了趋势和季节。

4-Winters相乘法预测模型

我们再次选择Winters预测模型

此时，在数据集的时间跨度为10年，并且包含10个季节峰值（出现在每年十二月份）中，简单季节模型和Winters模型都扑捉到了这10个峰值与实际数据中的10个年度峰值完全匹配的预测结果。此时，我们基本上可以得到了一个比较满意的预测结果。

此时也说明，无论采用指数平滑的什么模型，只要考虑了季节因素，都可以得到较好结果，不同的季节性指数平滑方法只是细微差异了。

但是，我们仔细看预测值和拟合值，还是有一些上升和下降的趋势和结构没有扑捉到。预测还有改进的需求！

5-ARIMA预测模型ARIMA模型是自回归AR和移动平均MA加上差分考虑，

我们采用专家建模器，但指定仅限ARIMA模型，并考虑季节性因素。

此时，我们看到模型拟合并相比较简单季节性和Winters模型没有太大的优势，结果可接受，但是大家注意到没有，实际上我们一直没有考虑自变量的进入问题，假如我们有其它变量可能会影响到男装销售收入，情况又会发生什么变化呢？

时间序列预测技术之三——含自变量的ARIMA模型预测

下面的数据延续前两篇的案例，只是增加了自变量，（因为手头这个案例没有干预因素变量）

在我们增加了5个自变量后，采用预测建模方法，选择专家建模器，但限制只在ARIMA模型中选择。

确定后，得到分析结果，我们现在来看一下与原来的模型有什么不同。

???从预测值看，比前一模型有了改进，至少这时候的模型捕捉了历史数据中的下降峰值，这可以认为是当前比较适合的拟合值了。

???如果我们观察预测结果，可以发现模型选择了两个预测变量。注意：使用专家建模器时，只有在自变量与因变量之间具有统计显著性关系时才会包括自变量。如果选择ARIMA模型，“变量”选项卡上指定的所有自变量（预测变量）都包括在该模型中，这点与使用专家建模器相反；

???当确定了最终选择的预测模型和方法后，我们就可以预测未来了，当然你要指定预测未来的时间点，这里我们时间包括年、季度和月份；假定我们预测未来半年的销售收入。

我们分别设定：预测值输出，95%置信度的上下限。注意：SPSS中文环境有个小Bug，必须改一下名字！

???在选项中，选择你的预测时间，预测期将根据你事先定义的数据时间格式填写。（后面的模型为了让大家看清楚，实际上我预测了一年的数据，也就是2010年的4个季度的12个月）。

???自变量的选择问题，在预测未来半年的销售收入中，ARIMA模型可以把其它预测变量纳入考虑，但如何确定未来这些预测变量的值呢？

???主要方法可以考虑：1）选择最末期数据；2）选择近三期数据的平均；3）选择近三期的移动平均

这里我们选近三期移动平均作为预测自变量数值。

上面就是预测结果！于此同时，SPSS活动数据集中也存储了预测值！

???最后，我们要解决时间序列预测的检验和统计问题！???实际上我们可以通过软件得到各种统计检验指标和统计检验图表！