【12】 数学建模 | 时间序列分析 | 指数平滑模型和ARIMA模型 | 描述过去、分析规律、预测未来

一、Spass时间序列建模的思路

下面的步骤是自己在思考建模的过程哦，不是写在论文中的：

• 处理数据的缺失值问题、生成时间变量并画出时间序列图
• 数据是否为季度数据或者月份数据（至少有两个完整的周期，即两年），如果是的话则要观察图形中是否存在季节性波动
• 根据时间序列图大致判断数据是否为平稳序列（数据围绕着均值上下波动，无趋势和季节性）
• 打开Spss，分析‐‐时间序列预测—创建传统模型，看看Sapss专家建模器得出的最优的模型类型
• 如果最后的结果是ARIMA(p,0,q)模型，那么我们就可以画出时间序列的样本ACF和PACF图形进行分析；如果得到的是ARIMA(p,1,q)模型，我们可以先对数据进行1阶差分后再用ACF和PACF图形分析；如果得到的结果与季节性相关，那么我们可以考虑使用时间序列分解

专家建模器的原理：

---

二、案例一之销量数据预测

根据某产品2014年至2018年季度销量数据，预测未来两年的销售数据

生成时间序列图

1. 在画图之前养成一个习惯，为数据生成时间变量
   
   
   

2. 画出时间序列图，对时间序列数据进行宏观分析
   
   
   

3. 数据分析：数据为季度数据(有四个周期)，从图中看出也有季节性波动，即第二季度的销量较高，第四季节较低；根据时间序列图可知数据不平稳，有向上的趋势，初步分析，可以使用时间序列分解的加法模型

4. 利用Spass软件的专家建模给出最合适的模型
   
   
   
   
   
   

注意：

• 专家建模器默认在所有的指数平滑模型和ARIMA模型中选择合适的模型
• Spass会对发现的异常值使用序列平均值来代替
• 预测值和拟合值是不相同的，预测值是将样本外年份的数据代入模型计算得到的，而拟合值是将样本的年份重新代入模型计算得到的
• 这里保留残差ACF和PACF图形可以帮助我们判断残差是否为白噪声，即该时间序列能否被模型识别完全

5. 专家建模结果分析
   
   温特加法模型原理：
   
   对白噪声进行残差检验并分析：
   
   

• 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
• 另外从下表可以看出，对残差进行Q检验得到的p值为0.741，即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

6. 生成预测结果图
   
   
   
   
   分析：

• 从图中可以看出，真实数据和拟合数据的时序图几乎重合，这说明温特加法模型对原数据拟合的效果很好；
• 另外，预测的后两年的数据既保留了原始序列的季节效应，也同时具有向上的线性趋势，这说明温特加法模型
  能很好的对该产品的销量数据进行预测

案例一写论文时的一些总结：

• 由于数据集是完整的，所以不需要对缺失值进行补充
• 做出时间序列图，然后对时间序列图进行分析，因为含有线性趋势和稳定的季节成分，所以考虑使用加法时间序列分解模型，用该类型模型进行初步分析
• 利用Spass专家建模器进行分析，可以解释一下专家建模器的原理
• 对Spass专家建模器选择出的预测模型，进行原理分析
• 对模型的估计效果进行检验，也就是对模型的白噪声进行残差检验
• 进行预测环节，可以说明是在95%的置信水平下进行预测，并作出表格
• 对预测的好坏进行评价，主要参考指标有固定的R方，R方以及标准化BIC

---

三、案例二之人口数据预测

1.数据集：

2.创建时间变量之后画出序列图：

3.利用专家建模器进行建模：


4.对专家建模器给出的模型进行分析：

残差白噪声检验：

• 平稳的R方为0，Q检验统计量也没有显示。（可能是我们的模型比较特殊引起的）
• R方为0.999，这说明估计的效果特别好。ACF和PACF图形则显示残差为白噪声

注意：这样预测显然不符合实际，在下一讲分析预测模型的时候，会更加合理的来进行预测

5.对最终图形进行美化

---

给定2016/01/04至2019/08/07的上证指数，请对其进行建模，并预测接下来一段时间的指数走势

注意：股票在节假日不进行交易，画时间序列图时可以使用原来的时间变量，但是进行建模时需要使用自己生成的时间变量，这里时间变量没有明显的连续特征，所以时间变量的选择可以为“天”

1.时间序列图：

2.直接进行专家建模的结果：



分析：

• 观察横坐标，Spss在建模时已经将我们的时间数据转换成了序列号了，这是因为我们的日期不连续导致的
• R方很大说明拟合的很不错，但是平稳R方很小，且最关键的Q检验拒绝了原假设（认为残差不是白噪声，即模型没有完全识别出我们的数据），说明模型有待改进

3. 用模型进行预测
   
   
   
   分析：

• 残差的ACF和PACF中有很多滞后阶数显著的异于0，说明残差不是白噪声
• 简单指数平滑模型只能预测未来一期

4. 剔除异常值后重新建模
   
   
   
   
   分析：

• 剔除异常值后，R方小幅增加，平稳的R方明显增加，且残差也是白噪声了
• ARIMA(0,1,14)模型

结果：

注意：从表中可以看出，可以预测出前14期，超过14期后预测值不会改变，这是由模型本身决定的，如果想要多预测几期，可以用预测出来的数值，在往后预测几期(老师说这非常玄学，哈哈)

---

五、时间序列分析用于预测的总结

预测两要：

• 一要结合背景
• 二要合理假设

预测两不要：

• 不要硬套模型
• 不要不做解释

提醒：各种指数平滑模型和ARIMA模型的具体原理，以及案例数据集，关注公众号，回复“时间序列”即可获取

---

更多有关于时间序列问题的经典获奖论文，关注公众号，回复，“时间序列”，即可免费领取！！！