时间序列分析（Spss）

        时间序列也称动态序列。指标数值按照时间顺序排列而成的数值序列。分三部分：描述过去，分析规律、预测未来。时间序列分析中常用的三种模型：季节分解、指数 平滑方法和ARIMA模型。

        时期数据可加，时点数据不可加。（灰色预测模型里有累加过程）

        时间序列数值变化有四种：长期趋势（T）、季节趋势（S）、周期变动趋势（C）、不规则变动（I，也称扰动项，建立模型中称为白噪声）。

        时间序列的分解：时间序列的分解结果，就是上述四种，分解结果可能是其一、其二等。

        （1 ）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

        （2 ）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

        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；当然，如果不存在季节波动，则两种分解均可以。

        

        使用Spss对时间序列进行分解：

        （1）处理缺失值：若在开头或者尾部，直接删除，中间位置，采用替换缺失值方法。

第一步：导入数据，选择文件——>导入数据——>Excel。

选择你存储在对应路径下的数据。实现数据导入。

 

第二步：选择转换——>替换缺失值——>将其中有缺失值的数值

        根据自己所需，选择对应的插值方法。

 

序列平均值：用整个序列的平均数代替缺失值。

临近点的平均值：用相邻若干个点的平均 数来替换缺失值（默认为两个点）

临近点的中位数：用相邻若干个点的中位 数来替换缺失值（默认 为两个点）

线性插值：用相邻两个点的平均数 来替换缺失值。

邻近点的线性趋势：将时期数作为x，时间序列值作为y进行回归，求缺失点的预测值。

 

Spss软件定义时间变量：

第一步：选择数据——>定义日期和时间。

选择所需要的格式，设置起始时间，生成时间变量。

如何使用Spss做时间序列图（时序图）：

第一步：选择分析——>时间序列预测——>序列图。

第二步：将插值后的完整序列做y轴，时间轴选作时间变量。

统计的结果如下：