数学建模-时间序列预测步骤

目录

数据

第一步:定义时间

第二步:创建传统模型

结果

论文下笔

GG


数据

第一步:定义时间

第二步:创建传统模型

点击条件,点击 离群值全部勾选

点击统计

点击图

保存

选项

结果

 


论文下笔

由于我们的数据中不存在缺失值,且为季度数据,则可以作出时间序列图

从图中可以看出,销量数据存在递增趋势并且有很明显的季节性波动,则可以考虑使用时间序列分解,由于波动平稳,则使用加法时间序列分解

利用spss软件的专家建模器

这段工作原理写上去

利用软件得出我们的数据最适合的模型为温特加法模型

再解释一下温特加法模型,

这些写上去,吧那些值给上去

然后对白噪声残差检验,判断模型的适合程度(模型估计的效果)

然后是预测:

说我们考虑了置信水平为95%,在95%置信水平下我们可以得到预测值

有95%的概率会落在119~126之间

为了把预测和之前的以前体现,可以从新画图

先把上面的删除掉

改改颜色啥的就好了 

这样就能反映真实值,拟合值,预测值以及对应的置信水平

然后可以说说预测的好坏

比如R方,BIC

GG

大概就是这样完事

  • 8
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
数学时间序列预测步骤通常包括以下几个阶段: 1. 数据收集和准备:收集与时间序列相关的数据,并对数据进行清洗和预处理。这包括处理缺失值、异常值和噪声,以及对数据进行平滑或转换等操作。 2. 可视化和探索性数据分析:通过绘制时间序列图、自相关图、偏自相关图等来了解时间序列的特征和式。这有助于确定是否存在趋势、季节性、周期性等,并为后续型选择提供依据。 3. 型选择:根据时间序列的特征选择合适的预测型。常见的型包括移动平均法、指数平滑法、自回归移动平均型 (ARMA)、自回归积分移动平均型 (ARIMA)、季节性自回归积分移动平均型 (SARIMA)、指数平滑状态空间型 (ETS)、神经网络等。 4. 型参数估计和检验:根据选定的型,对型进行参数估计,并进行型检验和诊断。这包括检查残差序列是否具有平稳性、白噪声性质、是否符合型假设等。 5. 型拟合和预测:使用估计的型参数对历史数据进行拟合,并进行预测。这可以通过最大似然估计、最小二乘法等方法来实现。 6. 型评估和调整:通过比较预测结果与实际观测值,评估型的性能,并根据需要进行型调整和改进。 7. 预测结果展示和应用:将预测结果进行可视化展示,并根据预测结果进行决策或制定相应的策略。 需要注意的是,时间序列预测是一个复杂的过程,每个步骤都需要仔细考虑和灵活调整,根据具体情况选择适合的方法和型。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

WenJGo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值