 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
利用spss17.0的专家建模器实现arima模型及时间序列分析
下载积分：2000
内容提示：利用spss17.0的专家建模器实现arima模型及时间序列分析，arima模型建模步骤，时间序列建模，数学建模时间序列，平稳时间序列模型，金融时间序列模型，时间序列模型，时间序列模型 spss，时间序列模型的作用，arima模型
文档格式：PPT|
浏览次数：8|
上传日期： 11:21:57|
文档星级：
该用户还上传了这些文档
利用spss17.0的专家建模器实现arima模型及时间序列分析
官方公共微信指数平滑模型的SPSS操作
本文所属图书&>&
SPSS具有强大的统计分析和绘图功能，其所提供的各种统计模块可用于完成包括基本的描述性统计分析到复杂的专业统计分析在内的各种任务，实现对数据的管理和分析。本书结合具体的统计分析实例，图文并茂地介绍了SP...&&
在SPSS Statistics数据编辑器窗口中建立指数平滑模型的具体操作步骤如下。
1）在菜单栏中选择&分析&|&预测&|&创建模型&命令，打开如图15-9所示的&时间序列建模器&对话框。
图15-9 &&时间序列建模器&对话框
2）选择变量和方法。
从源变量列表中选择建立指数平滑模型的因变量，选入&因变量&列表中。&因变量&和&自变量&列表中的变量必须为数值型的度量变量。
在&方法&下拉列表框中选择&指数平滑法&，然后单击&条件&按钮，弹出如图15-10&时间序列建模器：指数平滑条件&对话框。
图15-10 &&时间序列建模器：指数平滑条件&对话框
&时间序列建模器：指数平滑条件&对话框用于设定指数平滑模型的类型和因变量的形式。包括两个选项组：
①&模型类型&选项组& 该选项组用于设定指数平滑模型的类型，包括&非季节性&和&季节性&两大类模型。
非季节性的指数平滑模型有4种形式：
●简单：选中该单选按钮表示使用简单指数平滑模型，该模型适用于没有趋势或季节性的序列，其唯一的平滑参数是水平，且与ARIMA 模型极为相似。
●Holt线性趋势：表示使用霍特线性趋势模型，该模型适用于具有线性趋势且没有季节性的序列，其平滑参数是水平和趋势，不受相互之间的值的约束。Holt模型比下面介绍的Brown 模型更通用，但在计算大序列时花的时间更长。
●Brown线性趋势：表示使用布朗线性趋势模型，该模型适用于具有线性趋势且没有季节性的序列，其平滑参数是水平和趋势，并假定二者等同。
●阻尼趋势：表示使用阻尼指数平滑方法，此模型适用于具有线性趋势的序列，且该线性趋势正逐渐消失并且没有季节性，其平滑参数是水平、趋势和阻尼趋势。
季节性的指数平滑模型有3种形式：
●简单季节性：该模型适用于没有趋势并且季节性影响随时间变动保持恒定的序列，其平滑参数是水平和季节。
●Winters可加性：该模型适用于具有线性趋势且不依赖于序列水平的季节性效应的序列，其平滑参数是水平、趋势和季节。
●Winters相乘性：该模型适用于具有线性趋势和依赖于序列水平的季节性效应的序列，其平滑参数是水平、趋势和季节。
②&因变量转换&选项组& 该选项组用于对因变量进行转换设置，有3个选项：
●无：表示在指数平滑模型中使用因变量的原始数据。
●平方根：表示在指数平滑模型中使用因变量的平方根。
●自然对数：表示在指数平滑模型中使用因变量的自然对数。其中，&平方根&和&自然对数&要求原始数据必须为正数。
3）进行相应的设置。
&统计量&设置
单击&统计量&标签，打开如图15-11所示的&时间序列建模器&对话框的&统计量&选项卡部分。
图15-11 &&统计量&选项卡
&统计量&选项卡部分主要用于设定输出的统计量，包括：
①&按模型显示拟合度量、Ljung-Box统计量和离群值的数量&复选框& 该复选框表示输出模型的拟合度量、Ljung-Box统计量和离群值的数量，且只有选中该复选框，&拟合度量&选项组才能激活。
②&拟合度量&选项组& 该选项组用于指定输出拟合度量的统计量表，具体包括8种统计量。
●平稳的R方：表示输出平稳的R方统计量，该统计量用于比较模型中的固定成份和简单均值模型的差别，取正值时表示模型要优于简单均值模型。
●R方：表示输出模型的R方统计量，该统计量表示模型所能解释的数据变异占总变异的比例。其中，当时间序列含有趋势或季节成份时，平稳的R方统计量要优于R方统计量。
●均方根误差：表示输出模型的均方误差统计量，该统计量衡量模型预测值与原始值的差异大小，即残差的标准差，度量单位与原数据一致。
●平均绝对误差百分比：表示输出平均绝对误差百分比统计量，该统计量类似于均方误差统计量，但该统计量无度量单位，可用于比较不同模型的拟合情况。
●平均绝对误差：表示输出模型的平均绝对误差统计量。
●最大绝对误差百分比：表示输出模型的最大绝对误差百分比统计量，即以比例形式显示最大的预测误差。
●最大绝对误差：表示输出模型的最大绝对误差统计量。&最大绝对误差百分比&和&最大绝对误差&主要用于关注模型单个记录预测误差的情况。
●标准化的BIC：表示输出标准的BIC统计量，该统计量基于均方误差统计量，并考虑了模型的参数个数和序列数据个数。
③&比较模型的统计量&选项组& 该选项组用于设定输出比较模型的统计量，有3个选项：
●拟合优度：表示将每个模型拟合优度的统计量显示到一张表格中进行比较。
●残差自相关函数：表示输出模型的残差序列的自相关函数及百分位点。
●残差部分自相关函数：表示输出模型的残差序列的偏相关函数及百分位点。
④&个别模型统计量&选项组& 该选项组用于对个别模型设定输出统计量。
●参数估计：表示输出模型的参数估计值表。
●残差自相关函数：表示输出模型的残差序列的自相关函数及置信区间。
●残差部分自相关函数：表示输出模型的残差序列的偏相关函数及置信区间。
⑤&显示预测值&复选框& 勾选该复选框表示显示模型的预测值及其置信区间。
&图表&设置
单击&图表&标签，打开如图15-12所示的&时间序列建模器&对话框的&图表&选项卡部分。
图15-12 &&图表&选项卡
&图表&选项卡部分主要用于设定输出模型拟合统计量、自相关函数以及序列值（包括预测值）的图。包括两个选项组：
①&模型比较图&选项组& 该选项组用于设定输出所有模型的拟合统计量和自相关函数的图，每个选项分别生成单独的图。可输出图表的统计量有：平稳的R方、 R方、均方根误差、平均绝对误差百分比、平均绝对误差、最大绝对误差百分比、最大绝对误差、标准化的BIC、残差自相关函数以及残差部分自相关函数。
②&单个模型图&选项组& 该选项组用于设定输出单个模型的拟合统计量和自相关函数的图。只有选择&序列&复选框方可获取每个模型的预测值的图，图中所显示的内容包括观察值、预测值、拟合值、预测值的置信区间以及拟合值的置信区间。
&输出过滤&设置
单击&输出过滤&标签，打开如图15-13所示的&时间序列建模器&对话框的&输出过滤&选项卡部分。
图15-13 &&输出过滤&选项卡
&输出过滤&选项卡部分主要用于设定输出的模型。
选择&在输出中包括所有的模型&单选按钮表示输出结果中包含所有设定的模型。选择&基于拟合优度过滤模型&单选按钮表示仅输出满足设定的拟合优度条件的模型。只有在选中该单选按钮的情况下，&输出&选项组才会被激活。
&输出&选项组用于设定输出模型所满足的拟合优度条件。其中选项含义如下：
●最佳拟合模型：选择该复选框表示输出拟合优度最好的模型，可以设定满足条件的模型的数量或百分比。
&选择&模型的固定数量&表示输出固定数量的拟合优度最好的模型，在&数&文本框中指定模型的数目；
&选择&占模型总数的百分比&表示输出一定比例于总数的拟合优度最好的模型，在&百分比&文本框中指定输出的百分比。
●最差拟合模型：选择该复选框表示输出拟合优度最差的模型，可以设定满足条件的模型的数量或百分比。
&选择&模型的固定数量&表示输出固定数量的拟合优度最差的模型，同样在&数&文本框中指定模型的数目；
&选择&占模型总数的百分比&表示输出一定比例于总数的拟合优度最差的模型，并在&百分比&文本框中指定输出的百分比。
●拟合优度：该下拉列表框用于指定衡量模型拟合优度的具体统计量，含有平稳的R方、R方、均方根误差、平均绝对误差百分比、平均绝对误差、最大绝对误差百分比、最大绝对误差以及标准化的BIC统计量。
&保存&设置
单击&保存&标签，打开如图15-14所示的&时间序列建模器&对话框的&保存&选项卡部分。
图15-14 &&保存&选项卡内容
&保存&选项卡部分主要用于将模型预测值另存为活动数据文件中的新变量，也可以将模型规格以XML格式保存到外部文件中。包括两个选项组：
①&保存变量&选项组& 该选项组用于将模型预测值、置信区间上下限和残差另存为活动数据集中的新变量。
在&描述&列表中有四类保存对象：预测值、置信区间的上限、置信区间的下限和噪声残值。选中每一类保存对象后面的&保存&复选框就可以保存新变量。只有选择&保存&复选框后，&变量名的前缀&方可被激活并可更改。设定&保存&后，每个因变量都会保存一组新的变量，每个新变量都包含估计期和预测期的值。另外，如果预测期超出了该相依变量序列的长度，则增加新个案。
②&导出模型文件&选项组 &该设置用于将所有估计模型的模型规格都以XML格式导出到指定的文件中。可以在&文件&输入框中指定文件路径，或者单击&浏览&按钮打开指定文件路径保存文件。
&选项&设置
单击&选项&标签，打开如图15-15所示的&时间序列建模器&对话框的&选项&选项卡部分。
&选项&选项卡部分主要用于设置预测期、指定缺失值的处理方法、设置置信区间宽度、指定模型标识前缀以及设置为自相关显示的延迟最大阶数。
图15-15 &&选项&选项卡
①&预测阶段&选项组& 该选项组主要用于设定预测期间，预测范围共有两种。
●模型评估期后的第一个个案到活动数据集内的最后一个个案：选择该单选按钮表示预测范围从模型估计期所用的最后一个数据开始到活动数据集中的最后一个个案为止。一般当估计模型所用的数据并非全部数据时选择此项，以便将模型预测值与实际值进行比较，进而评估模型的拟合情况。
●：选择该单选按钮表示预测范围从模型估计期所用的最后一个数据开始到用户指定的预测期为止，常用来预测超过当前数据集的时间范围的个案。在&日期&列表中指定预测范围的最终日期。如果已经定义了时间变量，&日期&列表中就会显示定义的日期格式；如果没有定义时间变量，&日期&列表中仅会显示&观测&输入框，只需要在&观察&中输入相应的记录号。
②&用户缺失值&选项组& 该选项组用于指定缺失值的处理方法。
●视为无效：选中该单选按钮表示把缺失值当作缺失值处理，视为无效数据。
●视为有效：选中该单选按钮表示把缺失值视为有效数据。
③&置信区间宽度&输入框& 该输入框用于指定模型预测值和残差自相关的置信区间，输入范围为0到99的任何正数，默认95%的置信区间。
④&输出中的模型识别前缀&输入框& 该输入框用于指定模型标识前缀。&变量&选项卡上指定的每个因变量都可带来一个单独的估计模型，且模型都用唯一名称区别，名称由可定制的前缀和整数后缀组成。
⑤&PACF&输入框& 该输入框用于指定自相关函数和偏相关函数的最大标签数。
设置完毕后，单击&确定&按钮，就可以在SPSS Statistics数据视图和查看器窗口得到指数平滑模型建模的结果。
您对本文章有什么意见或着疑问吗？请到您的关注和建议是我们前行的参考和动力&&
您的浏览器不支持嵌入式框架，或者当前配置为不显示嵌入式框架。谈论&Arima模型在SPSS中的操作
&&&&& ARIMA，就是autoregressive integrated
moving-average
model，中文应该叫做自动回归积分滑动平均模型，它主要使用与有长期趋势与季节性波动的时间序列的分析预测中。
&&&&& ARIMA有6个参数，ARIMA
(p,d,q)(sp,sd,sq)，后三个是主要用来描述季节性的变化，前三个针对去除了季节性变化后序列。为了避免过度训练拟合，这些参数的取值都很小。p与sp的含义是一个数与前面几个数线性相关，这两参数大多数情况下都取0,
取1的情况很少，大于1的就几乎绝种了。d与sd是差分，difference，d是描述长期趋势，sd是季节性变化，这两个参数的取值几乎也都是0，1，2，要做几次差分就取几作值。q与sq是平滑计算次数，如果序列变化特别剧烈，就要进行平滑计算，计算几次就取几做值，这两个值大多数情况下总有一个为0，也很少超过2的。
ARIMA的思路很简单，首先用差分去掉季节性波动，然后去掉长期趋势，然后平滑序列，然后用一个线性函数+白噪声的形式来拟合序列，就是不断的用前p个值来计算下一个值。
用SPSS来做ARIMA大概有这些步骤：
1定义日期，确定季节性的周期，菜单为Data-Define dates
2画序列图来观察数值变化，菜单为Graph-sequence / Time Series - autoregressive
3若存在季节性波动，则做季节性差分，Graph- Time Series -
autoregressive，先做一次，返回2观察，如果数列还存在季节性波动，就再做一次，需要做几次，sd就取几
4若观察到差分后的数列中有某些值远远大于平均值，则需要做平滑，做几次sq就取几
5然后看是否需要做去除长期趋势的差分，确定p与sp
6然后在ARIMA模型中测试是否存在其他属性影响预测属性，如果Approx
sig接近0，则说明该属性可以加入模型，作为独立变量，值得注意的是，如果存在突变，可以根据情况自定义变量，这个在判断突变的原因比重时特别有用。
7然后用以确定的参数与独立变量进行拟合预测。
8最后，用Graph- Time Series -
autoregressive来判断一下拟合产生的误差ERR，如果不存在明显特征，可以看作是无规律的随机白噪声，就可以认为建模成功。
9最后使用ARIMA模型进行预测即可
感觉在电信行业的KPI预测中，最有应用前景的是第六步，除了可以找到那些变量对目标值有影响外，还能确定在目标属性的变化中，不同原因的影响比例，如多少程度是由于竞争对手的失误，多少程度是因为自己表现好，多少程度是因为市场大环境变化了。此外，通过预测值，可以指导计划的编制和指标的制定，还能起到一点业务预警的作用。意义并不是很大，不过总比没有好~~
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。　　时间序列分析必须建立在预处理的基础上&&
　　今天看了一条新闻体会到了网络日志的重要性&&
　　指数平滑法（Exponential Smoothing，ES）是布朗(Robert G..Brown)所提出，布朗、认为时间序列的态势具有稳定性或规则性，所以时间序列可被合理地顺势推延；他认为最近的过去态势，在某种程度上会持续的未来，所以将较大的权数放在最近的资料。
　　ARIMA模型全称为差分自回归移动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出的一著名时间序列预测方法，所以又称为box-jenkins模型、博克思-詹金斯法。其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归, p为自回归项; MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。或者说，所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）以及ARIMA过程。
　　我想起了移动平均法
一.预处理步骤：数据--定义日期；转换--创建时间序列。
最后一幅是预处理完成后的结果&&
二.指数平滑模型
　　以上题数据为基础&&
三.ARIMA模型
　　和上一个其实是一样的，只不过方法选成ARIMA模型就好&&
四.季节分解模型
&ERR表示进行季节性分解后的随机波动的序列。SAS表示进行季节性分解除去季节因素后的序列。SAF表示进行季节性分解后产生的季节性序列（和分析结果的数据一致）。STC表示分解去来的序列趋势和循环成分。
阅读(...) 评论()人人网 - 抱歉
哦，抱歉，好像看不到了
现在你可以:
看看其它好友写了什么
北京千橡网景科技发展有限公司：
文网文[号··京公网安备号·甲测资字
文化部监督电子邮箱：wlwh@··
文明办网文明上网举报电话： 举报邮箱：&&&&&&&&&&&&}