时间序列分析及SPSS操作.pptx

时间序列分析及SPSS操作国内生产总值等时间序列时间序列分析发展的两个阶段2平稳过程例1—i.i.d序列平稳过程例2—自回归过程3时间序列数据的分解 通常用Tt表示长期趋势项，St表示季节变动趋势项，Ct
表示循环变动趋势项，Rt表示随机干扰项。常见的确定性时
间序列模型有以下几种类型:56Matlab程序

y=[533.8574.6606.9649.8705.1772.0816.4
892.7963.91015.11102.7];
temp=cumsum(y);%求累积和
mt=(temp(4:11)-[0temp(1:7)])/4;
y12=mt(end)
ythat=mt(1:end-1);
fangcha=mean((y(5:11)-ythat).^2);
sigma=sqrt(fangcha)

结果

temp=1.0e+003*

0.53381.10841.71532.36513.07023.842211α,α(1−α),α(1−α)2,…,13 利用指数平滑公式可以建立指数平滑预测模型。原则上

说，不管序列的基本趋势多么复杂，总可以利用高次指数平

滑公式建立一个逼近很好的模型，但计算量很大。因此用的

较多的是几个低阶指数平滑预测模型。3)三次指数平滑预测：（适用于二次曲线趋势数列）
－Brown单系数二次式平滑预测16/46

假设时间序列Xt仅与Xt-1,Xt-2,…,Xt-n有线性关系，而在

Xt-1,Xt-2,…,Xt-n已知条件下，Xt与Xt-j(j=n+1,n+2,…)无关，
εt是一个独立于Xt-1,Xt-2,…,Xt-n的白噪声序列，4849MA过程根据自相关函数与偏自相关函数定阶ARIMA（p,d,q)过程和模型MA(1)Yt＝t＋0.5t－1AR(1)Yt=0.6Yt-1+tARMA(1,1)Yt=-0.7Yt-1+t-0.7t-1ARMA模型的其他识别方法ARMA模型的其他识别方法ARMA模型的估计建模步骤三、非平稳时间序列模型1.差分运算差分方式的选择例5.1差分前后时序图例5.2差分后序列时序图例5.3差分后序列时序图过差分2.ARIMA模型ARIMA模型结构ARIMA模型族/预测值SPSS时间序列分析的特点
SPSS的时间序列分析没有自成一体的单独模块，而是分散在Data、Transform、Analyze、Graph四个功能菜单当中。在Data和Transform中实现对时间序列数据的定义和必要处理，以适应各种分析方法的要求；在Analyze的TimeSeries中主要提供了四种时间序列的分析方法，包括指数平滑法、自回归法、ARIMA模型和季节调整方法；在Graph中提供了时间序列分析的图形工具，包括序列图（Sequence）、自相关函数和偏自相关函数图等,SPSS16.0将时间序列的图形工具放在Analyze-timeseries中。另外，也可利用SPSS的谱分析图等模块进行简单的谱分析。1.数据准备（2）CasesAre框提供了多种时间形式，可根据数据的实际情况选择与其匹配的时间格式和参数。
至此，完成了SPSS的时间定义操作。SPSS将在当前数据编辑窗口中自动生成标志时间的变量。同时，在输出窗口中将输出一个简要的日志，说明时间标志变量及其格式和包含的周期等。
数据期间的选取可通过SPSS的样本选取（SelectCases）功能实现。时间序列的图形化观察及检验时间序列的图形化观察工具
·序列图（Sequence）
一个平稳的时间序列在水平方向平稳发展，在垂直方向的波动性保持稳定，非平稳性的表现形式多种多样，主要特征有：趋势性、异方差性、波动性、周期性、季节性、以及这些特征的交错混杂等。
序列图还可用于对序列异常值的探索，以及体现序列的“簇集性”，异常值是那些由于外界因素的干扰而导致的与序列的正常数值范围偏差巨大的数据点。“簇集性”是指数据在一段时间内具有相似的水平。在不同的水平间跳跃性变化，而非平缓性变化。·直方图（Histogram）
直方图是体现序列数据分布特征的一种图形，通过直方图可以了解序列的平稳性、正态性等特征。
·自相关函数图和偏自相关函数图（ACF＆PACF）
所谓自相关是指序列与其自身经过某些阶数滞后形成的序列之间存在某种程度的相关性。对自相关的测度往往采用自协方差函数和自相关函数。偏自相关函数是在其他序列给定情况下的两序列条件相关性的度量函数。
自相关函数图和偏自相关函数图将时间序列各阶滞后的自相关和偏自相关函数值以及在一定置信水平下的置信区间直观的展现出来。
各种时间序列的自相关函数图和偏自相关函数图通常有一定的特征和规律：
1、白噪声序列的各阶自相关函数和偏自相关函数值在理论上均为0。但实际当中序列多少会有一些相