SPSS时间序列分析教案PPT课件.ppt

SPSS统计软件横截面数据时间序列数据时间序列和回归从下图可以看出。总的趋势是增长的，但增长并不是单调上升的；有涨有落。但这种升降不是杂乱无章的，和季节或月份的周期有关系。当然，除了增长的趋势和季节影响之外，还有些无规律的随机因素的作用。时间序列的分解时间序列模型理论基础:指数平滑这时，如果用Yt表示在t时间的平滑后的数据（或预测值），而用X1,X2,…,Xt表示原始的时间序列。那么指数平滑模型为：ARIMA模型基础：AR模型ARIMA模型基础：MA模型ARIMA模型基础：ARMA模型ARIMA模型基础：平稳性和可逆性问题ARIMA模型基础：差分ARIMA(p,d,q)(P,D,Q)s模型时间序列模型:ARIMA(p,d,q)模型时间序列模型:SARIMA模型时间序列模型还可增加自变量来提高预测的准确性（有的情况下）。但应注意：使用专家建模器时，只有在自变量与因变量之间具有统计显著性关系时才会包括自变量。如果选择ARIMA模型，“变量”选项卡上指定的所有自变量都包括在该模型中，这点与使用专家建模器相反。添加方法如右图所示。时间序列分析的一般步骤：

数据的准备阶段
数据的观察及预处理阶段
数据分析和建模阶段
模型的评价阶段
模型的实施阶段（预测）数据准备时间序列的图形化观察及预处理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。◇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（即数据与其前k个数据的相关性），对自相关的测度往往采用自协方差函数和自相关函数。白噪声序列（平稳序列）的各阶自相关函数和偏自相关函数值在理论上均为0（即数据与其前面的数据无相关性）。而实际当中序列多少会有一些相关性，但一般会落在置信区间内，同时没有明显的变化规律。对于平稳的时间序列，理想情形是自相关函数在一定的条件下服从正态分布，当样本量n很大时，一般在自相关ACF图形中其值介于两条虚线之间的概率为95%；如果存在明显不在这两条直线之内的情况，说明序列存在k阶自相关（适合用ARIMA模型），如果在r处之后，全部落入这个范围，说明序列中的数据与其自身的前r个数据有相关性，即k=r，序列表现出MA(r)的移动平均特性，pacf类似。
Spss操作:分析→预测→自相关
◇互相关图
对两个互相对应的时间序列进行相关性分析的实用图形工具。互相关图是依据互相关函数绘制出来的。是不同时间序列间不同时期滞后序列的相关性。
Spss操作:分析→描述统计→互相关图附：spss自相关函数和偏自相关函数图具体分析时间序列的图形化观察和检验的基本操作
绘制序列图的基本操作
（1）选择菜单分析→预测→序列图（自相关图）。（2）将需绘图的序列变量选入变量框中。
（3）在时间标签框中指定横轴（时间轴）标志变量。该标志变量默认的是日期型变量。
（4）在转换框中指定对变量进行怎样的变化处理。
（5）单击时间线按钮定义序列图中需要特别标注的时间点。
（6）单击格式按钮定义图形的格式，可选择横向或纵向序列图；对于单变量序列图，可选择绘制线图或面积图，还可选择在图中绘制序列的均值线；对多变量的序列图，可选择将不同变量在同一时间点上的点用直线连接起来。2024/10/31序列图时间序列的预处理时间序列的平滑处理目的是为了消除序列中随机波动性影响。平滑处理的方式很多，常用的有各种移动平均、移动中位数以及这些方法的各种组合等。
◊中心移动平均法
计算以当前为中心的时间跨度k范围内数据的移动平均数。
◊向前移动平均法
若指定时间跨度为k，则用当前值前面k个数据（注意：不包括当前值）的平均值代替当前值。
◊移动中位数
它以当前时间点为中心，根据指定的时间跨度k计算中位数。时间序列缺失值处理的基本操作

序列缺失数据处理的基本操作
（1）选择菜单转换→替换缺失值。

（2）把需处理的变量（序列）选择到新变量框中。
（3）在名称和方法框中选择处理缺失值的处理方法。在名称后输入处理新生成变量名，在方法中选择处理缺失值的替代方法，并单击确定按钮。其中：
·序列均值：表示整个序列的均值作为替代值。
·临近点的均值：表示利用邻近点的均值作为替代值。对此用附近点的跨度框指定数据段。在数后输入数值k，表示以缺失值为中心，