时间序列分析Spss

描述过去，分析规律——预测未来

介绍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，并将结合Spss软件对时间序列数据进行建模。

目录

季节分解

1.1时间序列变化趋势分为四种：

1.2时序图Spss操作：

​编辑

1.3季节分解Spss操作：

指数平滑方法

ARIMA模型

总结

---

季节分解

1.1时间序列变化趋势分为四种：

四种变动与指标数值最终变动的关系可能是叠加关系，也可能是乘积关系。

（1）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。

（2）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。

1.2时序图Spss操作：

1.3季节分解Spss操作：

加法分解——季节因子和为1：

该季节因子为正，说明高于全年平均水平；季节因子为负，说明低于全年平均水平；

乘法分解——季节因子和为1：

该季节因子为正，说明高于全年平均水平多少倍；季节因子为负，说明低于全年平均水平多少倍；

指数平滑方法

Spss软件有专家建模器，会自动帮我们挑选合适的模型。

ARIMA模型

了解AMIMA(p,q)参数代表的含义

模型选择：AIC和BIC准则（选小原则）

总结

Spss软件有专家建模器，会自动帮我们挑选合适的模型。

论文内容：

1.模型介绍

2.残差白噪声检验-ACF/PACF/Q检验

4.预测结果和效果图

如果R方数值不好，可能是因为异常值

课件：file:///C:/Users/86156/Desktop/清风数学建模课件和代码/正课视频配套的课件和代码/第11讲. 时间序列分析/数模新版视频课程第11讲.时间序列分析.pdf