当前位置：文档之家 › SPSS时间序列分析案例

SPSS时间序列分析案例

  • 格式：doc
  • 大小：715.50 KB
  • 文档页数：11

. . . .
. 资料. .. .
用SPSS软件做时间序列分析，有某公司2002年一季度到2010年二季度的34个税后利润
数据，要求预测出该公司2010年三季度和四季度的税后利润。

要求：
1. 画出序列趋势图
2. 绘制出自相关图和偏自相关图
3. 确定参数和模型
4. 给出预测值

观测值序列图
. . . .

. 资料. .. .
2
税后盈利
自相关图
序列:税后盈利
滞后 自相关 标准 误差a Box-Ljung 统计量
值 df Sig.b
1 .306 .164 3.482 1 .062
2 .198 .162 4.987 2 .083
3 .185 .159 6.340 3 .096
4 .542 .157 18.342 4 .001
5 .084 .154 18.641 5 .002
6 .067 .151 18.836 6 .004
7 .094 .149 19.239 7 .007
8 .458 .146 29.093 8 .000
9 .041 .143 29.176 9 .001
10 .016 .140 29.189 10 .001
11 .012 .137 29.197 11 .002
12 .236 .134 32.308 12 .001
13 -.092 .131 32.806 13 .002
14 -.094 .128 33.345 14 .003
15 -.079 .125 33.745 15 .004
16 .106 .121 34.510 16 .005
a. 假定的基础过程是独立性（白噪音）。
b. 基于渐近卡方近似。
. . . .
. 资料. .. .
偏自相关
序列:税后盈利
滞后 偏自相关 标准 误差
1 .306 .171
2 .115 .171
3 .107 .171
4 .503 .171
5 -.279 .171
6 -.010 .171
7 .046 .171
8 .268 .171
9 -.130 .171
10 -.054 .171
11 -.053 .171
12 -.081 .171
13 -.040 .171
14 -.051 .171
15 -.027 .171
16 -.062 .171
. . . .
. 资料. .. .
. . . .

. 资料. .. .
3、
确定参数和模型

时间序列建模程序
模型描述
模型类型
模型 ID 税后利润 模型_1 ARIMA(0,1,0)(0,1,0)
模型摘要

模型统计量
模型 预测变量数 模型拟合统计量 Ljung-Box Q(18)
离群值数 平稳的 R 方 统计量 DF Sig.
税后利润-模型_1 0 5.502E-17 17.688 18 .476 0
. . . .

. 资料. .. .
4、给出预测值
2010年第三季度
139621.02万元

2010年第四季度
170144.55万元
. . . .

. 资料. .. .
剔除季节成分后，平滑处理及剔除循环波动因素的序列图

SEASON、MOD_6、MUL、EQU、4 中 税后利润 的季节性调整序列
自相关图
序列:SEASON、MOD_6、MUL、EQU、4 中 税后利润 的季节性调整序列
滞后 自相关 标准 误差a Box-Ljung 统计量
值 df Sig.b
1 .728 .164 19.633 1 .000
2 .450 .162 27.383 2 .000
3 .310 .159 31.169 3 .000
4 .207 .157 32.911 4 .000
. . . .
. 资料. .. .
5 .219 .154 34.941 5 .000
6 .241 .151 37.484 6 .000
7 .243 .149 40.168 7 .000
8 .226 .146 42.571 8 .000
9 .183 .143 44.213 9 .000
10 .162 .140 45.551 10 .000
11 .093 .137 46.012 11 .000
12 .006 .134 46.015 12 .000
13 -.047 .131 46.145 13 .000
14 -.021 .128 46.172 14 .000
15 -.022 .125 46.204 15 .000
16 -.036 .121 46.294 16 .000
a. 假定的基础过程是独立性（白噪音）。
b. 基于渐近卡方近似。

偏自相关
序列:SEASON、MOD_6、MUL、
EQU、4 中 税后利润 的季节性调
整序列
滞后 偏自相关 标准 误差
1 .728 .171
2 -.168 .171
. . . .
. 资料. .. .
3 .108 .171
4 -.053 .171
5 .206 .171
6 .000 .171
7 .076 .171
8 -.015 .171
9 .014 .171
10 .034 .171
11 -.121 .171
12 -.066 .171
13 -.059 .171
14 .115 .171
15 -.134 .171
16 .019 .171
. . . .

. 资料. .. .
模型描述
模型类型
模型 ID SEASON、MOD_6、MUL、EQU、4 中 税后利润 的季节性调整序列 模型_1 ARIMA(0,1,0)(0,0,0)

模型统计量
模型 预测变量数 模型拟合统计量 Ljung-Box Q(18)
离群值数 平稳的 R 方 统计量 DF Sig.
SEASON、MOD_6、MUL、EQU、4 中 税后利润 的季节性调整序列-模型_1 0 -2.591E-16 8.517 18 .970 0
. . . .

. 资料. .. .
给出预测值
2010年第三季度
127487.38347万元

2010年第四季度
140349.91149万元

合集下载

spss(时间序列分析)

spss(时间序列分析)

第一页，共70页。
• 横截面数据也常称为变量的一个简单随机样本，也即假设每个数据 都是来自于总体分布的一个取值，且它们之间是相互独立的(独立 同分布)。
• 而时间序列的最大特点是观测值并不独立。时间序列的一个目的
是用变量过去的观测值来预测同一变量的未来值。 • 下面看一个时间序列的数据例子。 • 例1. 某企业从1990年1月到2002年12月的月销售数据(单位：百
三、指数平滑模型
• 时间序列分析的一个简单和常用的预测模型叫做指数平滑
(exponential smoothing)模型。
• 指数平滑只能用于纯粹时间序列的情况，而不能用于含有独立变量 时间序列的因果关系的研究。
• 指数平滑的原理为：利用过去观测值的加权平均来预测未来的 观测值(这个过程称为平滑)，且离现在越近的观测值要给以越重
Seanal adjusted series SA
Seas factors SF
YEAR
图3 销售数据的季节因素分离
第十七页，共70页。
120
可以看出，逐月的销
100 售额大致沿一个指数
80 曲线呈增长趋势。
60
↘
40
20
0
-20 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002
3. saf_1：季节因素(seasonal factor) ，记为{SFt }； 4. stc_1：去掉季节及随机扰动后的趋势及循环因素(trend-
cycle series)，记为{TCt }。
第十五页，共70页。
• 这些分解出来的序列或成分与原有时间序列 之间有如下的简单和差关系：
第十四章 SPSS的时间序列分析

第十四章 SPSS的时间序列分析

第十四章SPSS 的时间序列分析14.9 季节调整法一、时间序列的趋势分解：长期趋势(Trend ): 现象在较长时期内持续发展变化的一种趋向或状态由影响时间序列的基本因素作用形成是时间序列中最基本的构成要素可分为上升趋势、下降趋势、水平趋势或分为：线性趋势和非线性趋势。

周期变动(Periodicity) ：这种因素的影响使现象呈现出以若干年为一周期、涨落相间、扩张与紧缩、波峰与波谷相交替的波动。

不同于长期趋势T 表现为单一方向的持续变动，P 表现为波浪式的涨落交替的变动。

季节变动(Seasonal Fluctuation ) ：是一种使现象以一定时期（如一年、一月、一周等）为一周期呈现较有规律的上升、下降交替运动的影响因素通常表现为现象在一年内随着自然季节的更替而发生的较有规律的增减变化，有旺季和淡季之分是一种周期性的变化周期长度小于一年形成原因：有自然因素，也有人为因素不规则变动(Irregular Variations) ：包括随机变动和突然变动。

随机变动――现象受到各种偶然因素影响而呈现出方向不定、时起时伏、时大时小的变动。

突然变动――战争、自然灾害或其它社会因素等意外事件引起的变动。

影响作用无法相互抵消，影响幅度很大。

一般只讨论有随机波动而不含突然异常变动的情况。

二、时间序列的分解模型Y= T×S×P×I 在加法模型中各种影响因素是相互独立的，均为与Y 同计量单位的绝对量。

季节变动和循环变动的数值在各自的周期时间范围内总和为零；不规则变动的数值从长时间来看，其总和也应为零。

加法模型中，各因素的分解是根据减法进行（如：Y。

spss课件23

spss课件23



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。

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

1．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。
IBM-SPSS
第23章 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


2．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)。
【生物数学】时间序列分析及SPSS实现

【生物数学】时间序列分析及SPSS实现


一、横截面数据与时间序列数据
• 而时间序列的最大特点是观测值并不独立。时间 序列的一个目的是用变量过去的观测值来预测同 一变量的未来值。
• 即时间序列的因变量为变量未来的可能值，而用 来预测的自变量中就包含该变量的一系列历史观 测值。
• 当然时间序列的自变量也可能包含随着时间度量 的独立变量。
例1 某企业从1990年1月到2002年12月到销售数据 （单位：百万元）。该数据共有按时间顺序的月销售 记录156个，数据如下(tssales.sav)。
SPSS操作：时间序列数据绘图
• 早期的SPSS版本，绘制时间序列图可以选择“Graphs→Sequence()”， 对本例选择sales为变量，months为时间轴标签即可。
• 对于SPSS较新的版本，例如SPSS23.0，要选择“分析→时间序列预测→ 序列图”，然后选择sales为变量，months为时间轴标签即可。
SPSS操作：时间序列附加数据的产生
• 当然，根据数据记录的背景不同和不同的需要，我们 也可以选择“Days”、“Weeks” 等其他形式的时间变 量。
• 作为时间序列数据的一个基本要求，其数据都是等间 隔记录的，比如每天或每月记录一个数据。
• 在金融时间序列(比如股票价格)，每周的记录时间只 有5天(周一至周五)，此时我们也把它当成是等间隔 记录的，此时记录的时间间隔是“每个工作日”。
• Yt = aXt+a(1-a)Xt -1+a(1-a)2Xt -2+ … +a(1-a)t-1X1 (3) • 其中0<a<1为权重指数。a 越大，表示在加权时给予 当前观测值的权重越大，相应地，给予过去观测值的 权重就越小。
• 这里的系数为几何级数。因此称之为“几何平滑”比 使人不解的“指数平滑”似乎更有道理。