spss python_ARIMA模型 - [SPSS & Python]

简介：

ARIMA模型：(英语：Autoregressive Integrated Moving Average model)，差分整合移动平均自回归模型，又称整合移动平均自回归模型(移动也可称作滑动)，是时间序列预测分析方法之一。AR是“自回归”，p为自回归项数;MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数(阶数)。

由于毕业论文要涉及到时间序列的数据(商品的销量)进行建模与分析，主要是对时间序列的数据进行预测，在对数据进行简单的散点图观察时，发现数据具有季节性，也就是说：数据波动呈现着周期性，并且前面的数据会对后面的数据产生影响，这也符合商品的销量随时间波动的影响。于是选择了ARIMA模型，那为什么不选择AR模型、MA模型、ARMA模型???

于是，通过这篇博客，你将学到：

(1)通过SPSS操作ARIMA模型

(2)运用python进行白噪声数据判断

(3)为什么差分，怎么定阶

PS：在博客结尾，会附录上Python进行ARIMA模型求解的代码。

为什么会使用SPSS?

由于真香定理，在SPSS里有ARIMA、AR、MA模型的各种操作;还包括异常值处理，差分，白噪声数据判断，以及定阶。 一种很方便又不用编程还可以避免改代码是不是很爽…

ARIMA模型的步骤

好啦，使用ARIMA模型的原因：

在过去的数据对今天的数据具有一定的影响，如果过去的数据没有对如今的数据有影响时，不适合运用ARIMA模型进行时间序列的预测。

使用ARIMA进行建模的步骤：

简单来说，运用ARIMA模型进行建模时，主要的步骤可以分成以下三步：

(1)获取原始数据，进行数据预处理。(缺失值填补、异常值替换)

(2)对预处理后的数据进行平稳性判断。如果不是平稳的数据，则要对数据进行差分运算。

(3)将平稳的数据进行白噪声检验;如果不是白噪声数据，则说明数据之间仍然有关联，需要进行ARIMA(p,d,q)重新定阶：p、q。

(4)当最后检验的数据是白噪声数据，模型结束。

接下来，就是用SPSS与Python进行实操。

1 原始数据预处理

首先数据来源是：2019年华中赛数学建模B题的数据。通过对一部分数据进行筛选后得到了可以运用模型建立的数据。如下图所示：

当然我们在拿到新的数据后，需要对数据进行缺失值填补，以及异常值判断。这里不再展示预处理的相关操作。下面有对应的操作链接：

缺失值填补：https://jingyan.baidu.com/article/d8072ac456536bec95cefdb6.html

异常值处理：https://wenku.baidu.com/view/bd0289ca6d85ec3a87c24028915f804d2b1687aa.html?fr=search

2 平稳性检验

在获取了预处理后的数据后，我