声明:文章参考数学建模清风的网课编写。
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:
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:
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 Y = T + S + C + I 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: Y = T × S × C × I Y = T \times S \times C \times I Y=T×S×C×I其中: Y Y Y表示:指标数值的最终变动; T T T表示:长期趋势变动; S S S表示:季节变动; C C C表示:循环变动; I I 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 Y = T + S + C + I 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 α \alpha α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