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:
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