下载文档原格式
第四章时间序列分析由于反映社会经济现象的大多数数据是按照时间顺序记录的，所以时间序列分析是研究社会经济现象的指标随时间变化的统计规律性的统计方法。
.为了研究事物在不同时间的发展状况，就要分析其随时间的推移的发展趋势，预测事物在未来时间的数量变化。
因此学习时间序列分析方法是非常必要的。
本章主要内容：1. 时间序列的线图，自相关图和偏自关系图；2. SPSS 软件的时间序列的分析方法−季节变动分析。
§4.1 实验准备工作§4.1.1 根据时间数据定义时间序列对于一组示定义时间的时间序列数据，可以通过数据窗口的Date菜单操作，得到相应时间的时间序列。
定义时间序列的具体操作方法是：将数据按时间顺序排列，然后单击Date →Define Dates打开Define Dates对话框，如图4.1所示。
从左框中选择合适的时间表示方法，并且在右边时间框内定义起始点后点击OK，可以在数据库中增加时间数列。
图4.1 产生时间序列对话框§4.1.2 绘制时间序列线图和自相关图一、线图线图用来反映时间序列随时间的推移的变化趋势和变化规律。
下面通过例题说明线图的制作。
例题4.1：表4.1中显示的是某地1979至1982年度的汗衫背心的零售量数据。
试根据这些的数据对汗衫背心零售量进行季节分析。
（参考文献[2]）表4.1 某地背心汗衫零售量一览表单位：万件解：根据表4.1的数据，建立数据文件SY-11（零售量），并对数据定义相应的时间值，使数据成为时间序列。
为了分析时间序列，需要先绘制线图直观地反映时间序列的变化趋势和变化规律。
具体操作如下：1. 在数据编辑窗口单击Graphs→Line,打开Line Charts对话框如图4.2.。
从中选择Simple单线图，从Date in Chart Are 栏中选择Values of individual cases，即输出的线图中横坐标显示变量中按照时间顺序排列的个体序列号，纵坐标显示时间序列的变量数据。
SPSS随机时间序列分析技巧教材SPSS（Statistical Package for the Social Sciences）是一款用于统计分析和数据挖掘的软件工具。
它提供了丰富的功能和功能，可以用于各种统计分析任务。
其中一个强大的功能是随机时间序列分析，它可以帮助用户了解和解释时间序列数据的模式和趋势。
本文将介绍一些SPSS中常用的随机时间序列分析技巧。
1. 数据导入：首先，将时间序列数据导入SPSS中。
确保数据以适当的格式存储，并正确地标识时间变量。
SPSS支持多种数据格式，如CSV、Excel等。
2. 数据检查：在进行时间序列分析之前，需要对数据进行一些基本的检查。
可以使用SPSS中的描述性统计量来检查数据的一般概况，比如数据的均值、方差、最大值和最小值等。
如果数据存在缺失值、异常值或离群值，需要进行适当的数据清洗。
3. 时间序列图：时间序列图可以帮助用户直观地了解数据的模式和趋势。
SPSS提供了绘制时间序列图的功能，用户可以选择不同的图形类型，如折线图、散点图等。
通过观察时间序列图，用户可以判断数据是否存在趋势、季节性或周期性等特征。
4. 时间序列分解：时间序列分解是将时间序列数据分解为趋势、周期和随机成分的过程。
SPSS提供了用于时间序列分解的函数和工具，用户可以根据需要选择不同的分解方法，如移动平均法、指数平滑法等。
分解后的时间序列可以帮助用户更好地理解数据的结构和组成。
5. 自相关分析：自相关分析是研究时间序列数据自身相关性的一种方法。
SPSS提供了自相关分析的功能，用户可以计算自相关系数，并绘制自相关图。
自相关分析可以帮助用户判断时间序列数据是否具有持续性，即当前的值是否与以前的值相关。
6. 平稳性检验：平稳性是时间序列分析的一个重要概念，它指的是时间序列数据的均值和方差在时间上保持稳定。
SPSS提供了多种平稳性检验方法，如ADF检验、KPSS检验等。
通过进行平稳性检验，用户可以判断时间序列数据是否适合进行随机时间序列分析。
基于SPSS的时间系列预测分析时间系列预测是一种统计方法，用于分析和预测时间序列数据。
这种方法通常用于预测时间序列未来的趋势和模式。
SPSS是一款广泛使用的统计软件，它提供了许多有用的工具进行时间系列预测分析。
1.数据准备在开始时间序列预测分析之前，需要准备好时间序列数据。
这些数据可以来自不同的领域，如经济、金融、天气、交通等。
在SPSS中打开数据集，将时间序列数据整理好。
2.数据探索对于时间序列数据，需要了解数据的特征和分布情况。
在SPSS中可以使用图形化工具，如直方图和箱线图来探索数据分布情况，使用时间序列图来查看时间序列的趋势和周期性。
3.数据平稳化大多数时间序列数据都是非平稳的，这意味着时间序列的均值、方差和自相关性可能会随着时间的推移而发生变化。
为了使时间序列变得平稳，可以使用差分、对数转换或季节性调整等方法。
在SPSS中可以使用“Difference”和“Seasonal”选项来执行这些操作。
4.模型选择根据数据的特征和需求，选择适合的时间序列模型进行拟合。
这些模型可以包括ARIMA、指数平滑、季节性ARIMA等。
在SPSS中可以使用“ARIMA”和“Exponential smoothing”选项来选择合适的模型。
5.模型拟合使用SPSS中的模型选择工具，选择合适的时间序列模型进行拟合。
对于ARIMA模型，可以使用“ARIMA”过程来拟合模型。
对于指数平滑模型，可以使用“Exponential smoothing”过程来拟合模型。
在SPSS中还可以使用其他选项来调整模型的参数。
6.模型评估在模型拟合完成后，需要评估模型的性能。
可以使用各种指标，如均方误差、均方根误差、赤池信息准则等指标来评估模型的性能。
在SPSS中可以使用“Estimate Function”选项来进行模型评估。
7.预测未来趋势根据模型的拟合结果和评估情况，使用模型对未来趋势进行预测。
在SPSS中可以使用“Forecast”选项来预测未来趋势，并生成预测图和预测值。
3.3时间序列分析3.3.1时间序列概述1.基本概念(1)一般概念：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，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。
(2)研究实质：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。
它不研究事物之间相互依存的因果关系。
(3)假设基础：惯性原则。
即在一定条件下，被预测事物的过去变化趋势会延续到未来。
暗示着历史数据存在着某些信息，利用它们可以解释与预测时间序列的现在和未来。
近大远小原理（时间越近的数据影响力越大）和无季节性、无趋势性、线性、常数方差等。
(4)研究意义：许多经济、金融、商业等方面的数据都是时间序列数据。
时间序列的预测和评估技术相对完善，其预测情景相对明确。
尤其关注预测目标可用数据的数量和质量，即时间序列的长度和预测的频率。
2.变动特点(1)趋势性：某个变量随着时间进展或自变量变化，呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向，但变动幅度可能不等。
(2)周期性：某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。
(3)随机性：个别为随机变动，整体呈统计规律。
(4)综合性：实际变化情况一般是几种变动的叠加或组合。
预测时一般设法过滤除去不规则变动，突出反映趋势性和周期性变动。
3.特征识别认识时间序列所具有的变动特征，以便在系统预测时选择采用不同的方法。
(1)随机性：均匀分布、无规则分布，可能符合某统计分布。
(用因变量的散点图和直方图及其包含的正态分布检验随机性，大多数服从正态分布。
)(2)平稳性：样本序列的自相关函数在某一固定水平线附近摆动，即方差和数学期望稳定为常数。
样本序列的自相关函数只是时间间隔的函数，与时间起点无关。
其具有对称性，能反映平稳序列的周期性变化。
特征识别利用自相关函数ACF：ρk=γk/γ0其中γk是y t的k阶自协方差，且ρ0=1、-1<ρk<1。
时间序列季节性分析spss表1 为某公司连续144个⽉的⽉度销售量记录，变量为sales。
试⽤专家模型、ARIMA模型和季节性分解模型分析此数据。
选定样本期间为1978年9⽉⾄1990年5⽉。
按时间顺序分别设为1⾄141。
⼀、画出趋势图，粗略判断⼀下数据的变动特点。
具体操作为：依次单击菜单“Analyz e→Forecasting→Sequence Chart”，打开“Sequence Chart”对话框，在打开的对话框中将sales选⼊“Variables”列表框，时间变量date选⼊“Time Axis Labels”，单击“OK”按钮，则⽣成如图2 所⽰的sales序列。
图1 “Sequence Chart”对话框从趋势图可以明显看出，时间序列的特点为：呈线性趋势、有季节性变动，但季节波动随着趋势增加⽽加⼤。
⼆、模型的估计（⼀）、季节性分解模型根据时间序列特点，我们选择带线性趋势的季节性乘法模型作为预测模型。
1、定义⽇期具体操作为：依次单击菜单“Data→Define Date”，打开“Define Date”对话框，在“Cases Are”列表框选择“Years，months”的⽇期格式，在对话框的右侧定义数据的起始年份、⽉份。
定义完毕后，单击“OK”按钮，在数据集中⽣成⽇期变量。
图3 “Define Date”对话框2、季节分解具体操作为：“Analyze→Forecasting→Seasonal Decomposition”打开“Seasonal Decomposition”对话框，将待分析的序列变量名选⼊“Variable”列表框。
在“Model Type”选择组中选择“Multiplicative”模型；在“Moving Average Weight”选择组中选择“Endpoints weighted by 0.5”。
单击“OK”按钮，执⾏季节分解操作。
图4 “Seasonal Decomposition”对话框3、画出序列图①原始序列和校正了季节因⼦作⽤的序列图图5为sales 序列和校正了季节因⼦作⽤的序列图。
第11章SPSS在时间序列预测中的应用SPSS19.0软件使用教程在进入SPSS后，具体工作流程如下：1.将数据输入SPSS，并存盘以防断电。
2.进行必要的预分析（分布图、均数标准差的描述等），以确定应采用的检验方法。
3.按题目要求进行统计分析。
4.保存和导出分析结果。
下面就按这几步依次讲解。
§1.1 数据的输入和保存1.1.1 SPSS的界面当打开SPSS后，展现在我们面前的界面如下：请将鼠标在上图中的各处停留，很快就会弹出相应部位的名称。
请注意窗口顶部显示为“SPSS for Windows Data Editor”，表明现在所看到的是SPSS的数据管理窗口。
这是一个典型的Windows软件界面，有菜单栏、工具栏。
特别的，工具栏下方的是数据栏，数据栏下方则是数据管理窗口的主界面。
该界面和EXCEL极为相似，由若干行和列组成，每行对应了一条记录，每列则对应了一个变量。
由于现在我们没有输入任何数据，所以行、列的标号都是灰色的。
请注意第一行第一列的单元格边框为深色，表明该数据单元格为当前单元格。
对Windows操作界面不熟悉的朋友可参见SAS入门第一课中的相关内容。
对数据表界面操作不熟悉的朋友可先学习一下EXCEL的操作（因为它的帮助是中文的）。
有的SPSS系统打开时会出现一个导航对话框，请单击右下方的Cancer按钮，即可进入上面的主界面。
1.1.2 定义变量该资料是定量资料，设计为成组设计，因此我们需要建立两个变量，一个变量代表血磷值，习惯上取名为X，另一个变量代表观察对象是健康人还是克山病人，习惯上取名为GROUP。
对数据的统计分析格式不太熟悉的朋友请先学习统计软件第一课。
选择菜单Data==>Define Variable。
系统弹出定义变量对话框如下：该变量定义对话框在SPSS 10.0版中已被取消，这里的操作只适合9.0～7.0版的用户。
对话框最上方为变量名，现在显示为“VAR00001”，这是系统的默认变量名；往下是变量情况描述，可以看到系统默认该变量为数值型，长度为8，有两位小数位，尚无缺失值，显示对齐方式为右对齐；第三部分为四个设置更改按钮，分别可以设定变量类型、标签、缺失值和列显示格式；第四部分实际上是用来定义变量属于数值变量、有序分类变量还是无序分类变量，现在系统默认新变量为数值变量；最下方则依次是确定、取消和帮助按钮。
