spss之统计挖掘第23章时间序列分析课件.ppt

1、IBM-SPSS第第23章章 时间序列分析时间序列分析时间序列数据特点。（1）趋势性：（2）季节性：（3）周期性：对时间序列数据分析最常用的方法有：指数平滑法自回归法ARIMA法季节分解法等。时间序列是系统中某一变量的观测值按时间顺序（时间间隔相同）排列成一个数值序列，展示研究对象在一定时期内的变动过程。通过处理预测目标本身的时间序列数据，获得事物随时间过程的演变特性与规律，进而预测事物的未来发展。时间序列分析就是从中寻找和分析事物的变化特征、发展趋势和规律，它是系统中某一变量受其它各种因素影响的总结果。时间序列数据区别于普通资料的本质特征是相邻观测值之间的依赖性，或称自相关性。时间序列预处理

2、的主要方法：对缺失数据的处理和对数据的变换处理。主要包括序列的平稳化处理和序列的平滑处理等。SPSS提供了8种平稳处理的方法：差分、季节差分、中心移动平均、先前移动平均、运行中位数、累计求和、滞后、提前。例23.1：描述了中国某城市女士服装从1993年到2002十年的出口总额及外汇储备情况，数据库见例23.1.sav。研究如何创建时间序列数据。1操作步骤操作步骤（1）单击“数据”|“定义日期”命令，弹出图23-2所示的对话框，在“个案为”选项中选择“年份、月份”，然后在“第一个个案为”中的“年”和“月份”输入数据开始的具体的年份1993和月份1，单击“确定”，完成时间变量的定义。（2）单击“转

3、换”|“创建时间序列”命令，弹出图23-3所示的对话框，将sum变量选入“变量-新名称”列表中。在函数子菜单中选择“季节差分”选项。（3）单击“确定”按钮运行，输出结果。2实验结果及分析实验结果及分析图23-4所示给出了对“sum”序列进行平稳化处理的结果，平稳化处理的新序列名称为“sum_1”，该序列有12个缺失值，有效个案为108个，平稳处理的方法是季节差分方法，函数的名称为SDIFF(sum,1,12)。指数平滑法指数平滑法指数平滑法是在移动平均模型基础上发展起来的一种时间序列分析预测法有助于预测存在趋势和（或）季节的序列，其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的

4、加权平均，指数平滑是对过去值和当前值进行加权平均、以及对当前的权数进行调整来抵消统计数值的摇摆影响，得到平滑的时间序列。例23.2：利用1992年初2002年底共11年彩电出口量（单位：“台”）的月度数据，见例23.2 sav.操作步骤如下：（1）单击“数据”|“定义日期”命令，弹出图23-2所示的对话框，打开“定义日期”，在“个案为”选项中选择“年份、月份”，然后在“第一个个案为”中的“年”和“月份”输入数据开始的具体的年份1992和月份1，单击“确定”按钮，完成时间变量的定义。（2）单击“分析”|“预测”|“创建模型”命令，弹出图23-7所示的对话框。（3）将“amounts”选入因变量列

5、表中，在“方法”下拉菜单中选择“指数平滑模型”。单击“确定”按钮，弹出“指数平滑条件”对话框，如图23-8所示。（4）选中“简单季节模型”，单击“继续”按钮，保存设置 （5）单击“图表”，选中“观察值”、“预测值”、“拟合值”，单击“确定”按钮。（6）单击“统计量”，选择“参数估计”和“显示预测值”，单击“继续”按钮。（7）单击“确定”按钮，得到指数平滑模型建模的结果。结果及解释结果及解释图23-9所示指数平滑模型的描述性统计结果：指数平滑模型的因变量标签是“模型 ID”，模型的名称为“模型_1”，模型的类型为“简单季节性”。图23-10所示给出了模型拟合的八个拟合优度指标，以及这些指标的均值

6、、最小值、最大值及百分位数。其中平稳的R方值为0.418。图23-11所示为模型的拟合统计量和Ljung-BoxQ统计量。平稳的R方值为0.418。Ljung-BoxQ统计量值为 18.537，显著水平为0.293。图23-12所示为指数平滑模型参数估计值列表。本题拟合的指数平滑模型的水平Alpha值为0.535，P值为0.000，结果具有显著性差异。季节Delta值为0.116，P值为0.091，结果无统计学意义，因此，判断该数据有水平趋势，没有季节性特征。图23-16所示为指数平滑模型的拟合图，指数平滑模型的拟合图波动情况为出口量序列数据整体上呈线性上升趋势，拟合值和观测值在整个区间中几乎

7、重合，因此可以说指数平滑模型对出口量的拟合情况良好。通过拟合值和观测值，可得某城市的彩电出口量在前7年波动较为平缓，后4年波动较为剧烈，且呈上升趋势。自回归模型自回归模型例23-3：为了解卫生资源的利用情况，美国某州收集本地区1870-1938年医疗资源消费人均年收入及价格人均年收入和价格波动指数对医疗资源消费的影响。见例 23.3.sav。（1）单击“分析”|“回归”|“线性”命令，弹出图23-14所示的“线性回归”对话框，将“consump”“因变量”中，将“income”和“price”导入“自变量”中。（2）单击“统计量”按钮，弹出图23-15所示的对话框，选择“估计”、“模型拟合度”

8、、“Durbin-Watson”，单击“继续”，单击“确定”按钮，输出结果。（3）单击“分析”|“预测”|“创建模型”命令，弹出图23-7所示的对话框，将“consump”导入因变量中，以时间为自变量，单击“确定”按钮，输出结果。（4）单击“分析”|“预测”|“自相关”命令，弹出图23-16所示的对话框。（5）单击“确定”按钮，输出结果。结果分析：普通多重回归输出结果：图23-17所示的income和price的偏自回归系数分别为：-0.12、-1.228，近似P值分别为0.272，0.000，但前者无显著性。统计量的Durbin-Watson统计量的取值范围04，在1.52.5之间表明不存在显著的自相关问题，若小于2，则表明序列呈自相关，大于2则表明序列呈负相关，因此该序列呈正自相关。以时间为自变量建模输出结果：模型拟合值为：模型拟合统计量，平稳R 方9.546E-17。模型统计量：Ljung-Box Q(18)：27.292，P值=0.074。普通多重回归输出结果：图23-24所示为普通多重回归的拟合图。THE END