数学建模实战10（时间序列回归）

一.Spss时间序列建模的思路

下面的步骤是自己在思考建模的过程哦，不是写在论文中的：
（1）处理数据的缺失值问题、生成时间变量并画出时间序列图；
（2）数据是否为季度数据或者月份数据（至少有两个完整的周期，即两年），如果是的话则要观察图形中是否存在季节性波动。
（3）根据时间序列图大致判断数据是否为平稳序列（数据围绕着均值上下波动，无趋势和季节性）
（4）打开Spss，分析‐‐时间序列预测—创建传统模型（高版本的Spss可能才有这个功能哦，我用的是24版本，安装包可以在第5讲的课件压缩包里面下载），看看Spss专家建模器得出的最优的模型类型。
（5）如果最后的结果是ARIMA(p,0,q)模型，那么我们就可以画出时间序列的样本ACF和PACF图形进行分析；如果得到的是ARIMA(p,1,q)模型，我们可以先对数据进行1阶差分后再用ACF和PACF图形分析；如果得到的结果与季节性相关，那么我们可以考虑使用时间序列分解。

二.销量数据预测

1.题目

2. 操作

【1】生成时间变量

【2】画出时间序列图

【3】查看建模结果

画完图以后我们直接建模，spss软件会给出最优的模型


另外，这里的“条件”需要勾选

spss软件会自动进行离群值的检验以及消除影响，具体如下

还需要其他勾选


注: （1）预测值和拟合值是不相同的，预测值是将样本外年份的数据带入模型计算得到的，而拟合值是将样本的年份重新带入模型计算得到的。
（2）这里保留残差的ACF和PACF图形可以帮助我们判断残差是否为白噪声，即该时间序列是否能被模型识别完全。

可以得到这些结论
（1）数据为季度数据（有四个周期），从图中看出也有季节性波动，即第二季度的销量较高，第四季度较低；
（2）根据时间序列图可知数据不平稳，有向上的趋势；
（3）Spss的专家建模给出的最合适的模型是温特加法模型；
（4）温特加法模型意味着原时间序列数据含有线性趋势和稳定的季节成分，我们可以使用加法时间序列分解；
（5）利用Spss我们可以对未来两年的销售数据进行预测

【4】论文如何写

由于我们最优是温特加法，那么 先写出温特加法的方程

然后写出参数代表的含义

然后放上spss软件的结果

得到参数的具体值

然后进行检验
白噪声进行残差检验


从残差的ACF和PACF图形中可以看出，所有滞后阶数的自相关系数和偏自相关系数均和0没有显著的差异；
另外从下表可以看出，对残差进行Q检验得到的p值 为0.741，即我们无法拒绝原
假设，认为残差就是白噪声序列，
因此温特加法模型能够很好的识别本例中的销量数据

【5】预测

其他的不用不变


从图中可以看出，真实数据和拟合数据的时序图几乎重合，这说明温特加法模型对原数据拟合的效果很好；
另外，预测的后两年的数据既保留了原始序列的季节效应，也同时具有向上的线性趋势，这说明温特加法模型能很好的对该产品的销量数据进行预测

3.论文中写什么

由于数据是完整的不存在缺失值，所以我们可以画出时间序列图

分析结果，从图上可以看出
销量数据有一个向上的趋势，而又有很明显的季节性波动，考虑使用时间序列分解
由于图像平稳，所以我们使用加法的时间序列分解，对加法时间序列分解结果解释
然后，说，我们利用spss软件的专家建模器，解释一下专家建模器的原理

最合适的模型是温特加法模型，然后解释一下温特加法模型
解释残差检验
进行预测，考虑95%的置信水平下得到了预测值

汇报一下预测的好坏
比如R²以及BIC值