时间序列分析
时间序列分析 — 时间序列数据
针对数据:时间序列数据
对同一对象不同时间连续观察所取得的数据
三大部分
- 描述过去
- 分析规律
- 预测未来
三大模型
- 季节分解
- 指数平滑方法
- ARIMA模型
组成要素
- 时间要素
- 数值要素
预处理:有缺失值时
- 当缺失值在中间位置时的方法
模型1 — 时间序列分解模型
时间数值变化分解四种变动
- 长期趋势
T
T
T
在相当长的时间内,受到长期趋势影响,表现出持续上升或下降 - 季节趋势
S
S
S
由季节 (可以以季,月,周 等时间单位,但不能以年为单位) 的转变使得指标发生周期变化 - 循环变动
C
C
C
以若干年为周期,呈现波浪式的周期变动,表现为增加和减少交替出现 - 不规则变动
I
I
I
不可预知或无法预测
四种变动得到的 两种模型
T
S
C
I
T S C I
TSCI
- 乘积模型
- 加法模型
SPSS 操作
第一步:定义时间变量
第二步:做时间序列图 并分析
- 时间轴标签是上一步定义的时间变量
- 时间线选项:可以在生成的图中标记对应的时间线
- 格式:画出图的格式
画出图后可以修改图的填充颜色等等
- 根据时间序列图进行分析
第三步:季节性分解
周期小于1年
-
结果分析:
会得到四个新的变量,分别对应
-
结果中的季节性因子
- 累加模型 —
T
+
S
+
C
+
I
=
=
变
量
T+S+C+I == 变量
T+S+C+I==变量
累加模型的季节因子 S S S的和为0
周期中,每个季节因子代表着与全年平均值的关系,高出或低于的值
设季节性分解的变量为 — 销量
- 乘法模型 —
T
∗
S
∗
C
∗
I
=
=
变
量
T*S*C*I == 变量
T∗S∗C∗I==变量
乘法模型的季节因子 S S S的乘积为1
周期中,每个季节因子代表着与全年平均值的关系,高出或低于的百分值
第四步:画出季节性分解后的时序图
- 修改新增变量的名字
- 分析 -> 时间序列预测 -> 序列图
注意修改图的线条颜色,图形背景
第五步:预测
如果直接预测比较难,若要对销量直接预测,比较困难
- 但是,可以对图中直线 (I) (T+C+I) (S) (T+C)进行预测
累加模型 — T + S + C + I = = 变 量 T+S+C+I == 变量 T+S+C+I==变量
乘法模型 — T ∗ S ∗ C ∗ I = = 变 量 T*S*C*I == 变量 T∗S∗C∗I==变量
模型2 — 指数平滑模型 — 多个模型类型
Simple模型
弊端:因为原理,只能预测未来一期的值
线性趋势模型 与 布朗(Brown)线性趋势模型
阻尼趋势模型
在Holt模型上提出的
简单季节性
- [ [ [ ] ] ] 为取整符号
温特加法模型
温特乘法模型
ARIMA 与 SARIMA
- ξ \xi ξ是白噪声序列,一般会进行白噪声残差检验得到值
一般步骤
导入数据,必须定义时间变量
画出时间序列图
- 差异: 可以得到一阶差分
如果是ARIMA(p,1,q)可以画出一阶差分后的图
查看SPSS给出的最优模型
- 只用选择因变量,因为是一元序列分析
- 会得到一个最优模型,之后分析可以根据最优模型分析
- 离群值选项可以全部勾选
需要勾选项
统计 -> 参数估算值
图 -> 拟合值、 ACF PACF、预测的置信区间 和 拟合的置信区间 — 加上后面两项图可能会模糊
保存 -> 预测值、 置信区间的上限, 置信区间的下限
预测 -> 可以指定预测的日期 和 置信区间( 图中显著性水平就是
α
=
5
\alpha = 5%
α=5 )
注意事项
评价指标
在输出结果中的模型拟合度
写入论文
- 对数据进行描述 — 是否有缺失值之类的、数据趋势、数据是否有季节性变化
(可以根据最优模型来进行写作) - 剔除异常值
- 画出序列图
分析->时间序列预测->序列图 - 解释SPSS的专家建模器的工作原理,以及选择一个最优模型
- 将得到的模型的表达式和参数估计写入模型中
- 其他延迟数值没显示则为0
-
ξ
t
\xi_{t}
ξt代表残差,预测值
−
-
− 真实值
- 白噪声进行残差检验
- PCF与PACF图中不超过两个直线则说明与0没有显著差异(即白噪声 ξ = 0 \xi=0 ξ=0)
- Q检验中 当显著性>0.5 我们称无法拒绝原假设
- 通过平稳的 R 2 R^2 R2, R 2 , R^2, R2,或标准化BIC来检测模型的好坏