【数模/预测】时间序列分析

最新推荐文章于 2023-04-13 09:38:46 发布

Sophon、

最新推荐文章于 2023-04-13 09:38:46 发布

阅读量2.8k

点赞数 3

分类专栏：数学建模文章标签：数学建模时间序列分析预测 spss

本文链接：https://blog.csdn.net/qq_55799677/article/details/126203952

版权

数学建模专栏收录该内容

22 篇文章 10 订阅

订阅专栏

声明：文章参考数学建模清风的网课编写。

文章目录

简介

时间序列也称动态序列，是指将某种现象的指标数值按照时间顺序排列而成的数值序列。时间序列分析大致可分成三大部分，分别是描述过去、分析规律和预测未来。

时期和时点时间序列

时间序列由两个组成要素构成：

1、第一个要素是时间要素，年、季度、月、周、日、小时、分钟、秒；
2、第二个要素是数值要素，时期对应的数值。

时间序列根据时间和数值性质的不同，可以分为时期时间序列和时点时间序列。
时期序列中，数值要素反映现象在一定时期内发展的结果；
时点序列中，数值要素反映现象在一定时点上的瞬间水平。

时期序列中的观测值反映现象在一段时期内发展过程的总量，不同时期的观测值可以相加，相加结果表明现象在更长一段时间内的活动总量；而时点序列中的观测值反映现象在某一瞬间上所达到的水平，不同时期的观测值不能相加，相加结果没有实际意义。

时间序列分析步骤

这是使用的数据集：
在这里插入图片描述

作时间序列图

进行时间序列分析之前要先作时序图，并对时序图进行分析。

使用SPSS作时序图：

如果原始数据集有数据缺失需要替换缺失值：

导入数据后依次选择：转换->替换缺失值

选择变量并设置生成序列名：

选择方法生成序列：
SPSS定义时间变量

依次选择：数据->定义日期和时间

根据数据集选择数据划分：

使用划分结果作图：

依次选择：分析->时间序列预测->序列图

选择变量和时间轴标签并作图：

在这里插入图片描述

判断时间序列包含的变动成分

因为时间序列是某个指标数值长期变化的数值表现，所以时间序列数值变化背后必然蕴含着数值变换的规律性，这些规律性就是时间序列分析的切入点。

一般情况下，时间序列的数值变化规律有以下四种：

长期趋势：T
长期趋势(Secular trend,T)指的是统计指标在相当长的一段时间内，受到长期趋势影响因素的影响，表现出持续上升或持续下降的趋势，通常用字母T表示。
季节趋势：S
季节趋势(Seasonal Variation,S)是指由于季节的转变使得指标数值发生周期性变动。这里的季节是广义的，一般以月、季、周为时间单位，不能以年作单位。
循环变动：C
循环变动（Cyclical Variation,C）与季节变动的周期不同，循环变动通常以若干年为周期，在曲线图上表现为波浪式的周期变动。这种周期变动的特征表现为增加和减少交替出现，但是并不具严格规则的周期性连续变动。
不规则变动：I
不规则变动（Irregular Variation,I）是由某些随机因素导致的数值变化，这些因素的作用是不可预知和没有规律性的，可以视为由于众多偶然因素对时间序列造成的影响（在回归中又被称为扰动项）。

叠加模型和乘积模型

如果四种变动之间是相互独立的关系，那么叠加模型可以表示为： $Y = T + S + C + I$ 如果四种变动之间存在相互影响关系，那么应该使用乘积模型： $\times S \times C \times I$ 其中： $Y$ 表示：指标数值的最终变动； $T$ 表示：长期趋势变动； $S$ 表示：季节变动； $C$ 表示：循环变动； $I$ 表示：不规则变动。

在具体的时间序列图上，如果随着时间的推移，序列的季节波动变得越来越大，则反映各种变动之间的关系发生变化，建议使用乘积模型；反之，如果时间序列图的波动保持恒定，则可以直接使用叠加模型。

时间序列分解

数据具有年内的周期性时才能使用时间序列分解，例如数据是月份数据(周期为12)、季度数据(周期为4) ，如果是年份数据则不行。

使用SPSS进行时间序列季节性分解：

依次选择：分析->时间序列预测->季节性分解
依次选择并确定：
点击确定后会生成四个变量，打开变量视图：

由 $Y = T + S + C + I$ 因此：销量 = SAS_1 + SAF_1。
输出结果解释：

注意：叠加模型的季节因子和为0，乘积模型的积为1。
对结果的解释可以表述为：第2季度的销量比全年平均销量多20.930个单位（如果使用乘积模型则应解释为：第x个季度销量是全年平均销量的xx倍）。

建立时间序列分析模型

SPSS专家建模器：专家建模器会自动查找每个相应序列的最佳拟合模型。

1.给定一个时间序列，可以自动找到合适的拟合模型；
2.提供两类模型：指数平滑模型和ARIMA模型；
3.可以自动识别并替换数据集中的异常值。

使用专家建模器建立时间序列分析模型：

导入数据并划分好日期后，依次点击：分析->时间序列预测->创建传统模型
指定变量与模型：
指定是否识别异常值，以及识别的异常值类型：
确定统计量：
作图：
预测：
输出结果。

结果分析

模型统计：
模型拟合度统计平稳R方越接近1说明拟合度越好；显著性水平大于 $\alpha$ 说明：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。
残差ACF和PACF
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。说明：残差就是白噪声序列，模型能够很好的识别本例中的销量数据。
预测结果