spss时间序列模型.docx
《spss时间序列模型.docx》由会员分享,可在线阅读,更多相关《spss时间序列模型.docx(13页珍藏版)》请在冰豆网上搜索。
spss时间序列模型
《统计软件实验报告》
SPSS软件的上机实践应用
时间序列分析
数学与统计学学院
一、实验内容:
时间序列是指一个依时间顺序做成的观察资料的集合。
时间序列分析过程中最常用的方法是:
指数平滑、自回归、综合移动平均及季节分解。
本次实验研究就业理论中的就业人口总量问题。
但人口经济的理论和实践表明,就业总量往往受到许多因素的制约,这些因素之间有着错综复杂的联系,因此,运用结构性的因果模型分析和预测就业总量往往是比较困难的。
时间序列分析中的自回归求积分移动平均法
(ARIMA)则是一个较好的选择。
对于时间序列的短期预测来说,
随机时序ARIMA是一种精度较高的模型。
我们已辽宁省历年(1969-2005)从业人员人数为数据基础建立一个就业总量的预测时间序列模型,通过spss建立模型并用此模型来预测就业总量的未来发展趋势。
二、实验目的:
1.准确理解时间序列分析的方法原理
2.学会实用SPSS建立时间序列变量
3.学会使用SPSS绘制时间序列图以反应时间序列的直观特征
4.掌握时间序列模型的平稳化方法。
5.掌握时间序列模型的定阶方法。
6.学会使用SPSS建立时间序列模型与短期预测。
7.培养运用时间序列分析方法解决身边实际问题的能力。
三、实验分析:
总体分析:
先对数据进行必要的预处理和观察,直到它变成稳态后再用
SPSS对数据进行分析。
数据的预处理阶段,将它分为三个步骤:
首先,对有缺失值的数据进行修补,其次将数据资料定义为相应的时间序列,最后对时间序列数据的平稳性进行计算观察。
数据分析和建模阶段:
根据时间序列的特征和分析的要求,选择恰当的模型进行数据建模和分析。
四、实验步骤:
SPSS的数据准备包括数据文件的建立、时间定义和数据期间的指定。
SPSS的时间定义功能用来将数据编辑窗口中的一个或多个变量指定为时间序列变量,并给它们赋予相应的时间标志,具体操作步骤是:
1.选择菜单:
DatefDefineDates,出现窗口:
单击【ok(确认)】按钮,此时完成时间的定义,SPSS将在当前数据
编辑窗口中自动生成标志时间的变量。
X
¥EAR_
DATE_
M7.00
1969
1969
104700
1970
197Q
1113.&C
1971
1971
1105,00
1972
1972
111490
1973
1973
108590
1974
1974
11254Q
1975
1976
114110
1976
1976
118060
1977
1977
1Z541U
19/tJ
1978
1321.50
1979
1979
1441.70
1980
1980
150510
1981
19S1
1571.60
1982
19S2
163S60
1983
1983
168070
19S4
1904
176910
1985
1985
17M91U
1986
198b
1036.40
1987
19S7
105060
1988
1983
■4-□741n
n-arh
WFiori
当数据准备好,为认识数据的变化规律,判断数据是否存在离群点和缺损值,最直接的观察方法是绘制序列的图像。
2.选择菜单选项栏中的Analyze>forecasting>Sequenee
Charts,弹出SequeneeCharts对话框。
单击【ok(确认)】按钮,得到时序图:
YEAR,,netipariodic
观察发现序列没有明显的周期性,为非平稳时间序列。
一般而言,
一次差分可以将序列中的线性趋势去掉,二次差分可以将序列中的抛物线趋势去掉,图中曲线存在线性趋势,用一阶差分运算去除
3.选择菜单:
Transform>CreateTimeSeries,弹出对话框:
单击【ok(确认)】按钮,此时完成线性成分的去除,SPSS将在当前数据编辑窗口中自动生成差分后的新变量X1。
X
Y£AR_
DAT£_
3(_1
967.00
1969
1969
IJ
1U700
1^0
1970
SO00
11135Q
1971
1371
6650
1105.00
1972
1972
■8一耐
11149Q
1973
1973
9.90
106590
1974
1974
*29.00[
1125.4C
197&
35.60
114110
19T6
1976
15.TQ
118060
1977
1977
3950
125410
仔日
1370
7350
1321.50
1979
1979
67.40[
1441.70
1SSO
1360
120.20
160S.10
1981
1961
634Q[
157160
1982
1962
SO
1633&Q
19S3
1963
67QQ
166070
1984
1984
42.f0[
176910
19AS
1965
aa.40
数据经过一阶差分后,检验差分序列自相关和偏相关函数是否为截尾
或拖尾,若是则数据已为平稳序列可以进行ARIMA建模,否则继续
对数据进行平稳化处理。
4.选择菜单Analyze宀TimeSeries宀Autoregression。
把被解
释变量选择到Dependent框中,选择解释变量到Independent(s)
框中。
心目唱关冏
令从业人放MJyEAR.notperiodL.沪乘自刃眾型」的亠少丢自鼻碾型」的…掳察自x離型」的…炉辜自貝碾型(的…
A来自工損SL1的一妙察昌丄艰型_1的…
5EBy血刑1體
曲远
/DIFF{X,1>[X_1]人
列自相关®V僞自相其co
-sm-
自撚对数转按迥〉
□羞分也):
1
a季节性菱分蟲》
当前周期;无
确定
单击【ok(确认)】按钮,此时生成自相关和偏自相关相关数据。
序列:
DIFF(x,1)
自相尖
标准谓崖刁
匕oy-ljuhg圭齋计呈
值
df
Sig>
1
454
16C
9.059
1
one
2
.337
15®
12S2C
2
002
3
.091
I5i5
1297C
3
.005
4
.001
.153
12.97C
4
.011
刁
.203
.151
14.391
5
L011
B
.062
146
15066
&
.020
7
191
14号
16763
7
.019
二:
.085
.143
1713S
8
.029
'3
.001
140
1714C
g
.047
10
.069
136
17392
10
.062
11
-.119
13S
101B7
11
.070
12
-H73
137
1«515
12
1m
13
-.0B1
130
1ti737
13
131
14
-041
127
18.94C
14
.171
'5
-on
124
18.35^1
15
.220
Ib
-.114
.1Z1
1a
1a
.232
b.基于渐近卡亩延似丁'
噪昔)-
表中显示的是自相关计算结果,从左向右,依次列出的是:
滞后
数、自相关系数值、标准误差、Box-ljung统计量(值、自由度、原
假设成立的概率值)。
通过标准误差以及Box-ljung统计量的相伴概率都可以说该时间序列不是白噪声,是具有自相关性的时间序列,可
以建立ARIMA模型。
CHFF(xt1)
os-
julj—[
1.5-
-1J0-
DIFFfxJl
□
UUS
LJ
11,——,j—]
U
t'.luIR
CWIT
■二
123456780101112113M1S16
自相关图显示序列在2阶滞后期时进入平稳置信区间并拖尾,所
以MA(q)的q取值为2。
偏自相关序列在1阶滞后期时进入平稳置信区间并拖尾,所以AR(p)的p取值为1。
数据经过一阶差分,所以I
(d)的取值为1。
5.当时间序列的数据已经准备好以后,选择菜单栏中的
Analyze>Forecasting>CreateModels命令,弹出CreateModels
对话框。
在该对话框左侧的Variables列表框中选择一个变量,将其移入DependentVariables列表框。
在Method下拉列表框中选择ARIMA,然后选择ARIMA选项,单击Criteria按钮,弹出ARIMA
Criteria对话框。
单击CreateModels对话框中的ok按钮,将进行ARIMA模型建模
和分析,结果如下:
複型类型
模型口M业人数棋型1
ARIWI/V1J.2)
S£
A1MH
總Ktfi
百牙恆
?
ID
i5
5D
T5
05
丰特兰JR片
414
<14
414
AI4
41i
4-4
414
.-fl14
4T4
F方
rN3
M3
J93
453
993
.M3
斶
993
J03
.093
FUSE
33.200
33.206
33.206
33.206
33.206
33200
33.203
33JD6
33JDa
33.2IK
fWE
1m
l.«4
1444
1曲4
1444
1⑷
1444
1444
1.444
144
iVax^PE
6.STI
6.671
朋科
0.971
0671
8.671
6671
G0?
1
6s0Ft
6671
WE
22,阳$
21623
22-023
2U23
12423
22M3
22J623
2U29
22J23
2;&33
ivav^F
75441
7S.M1
巫⑷
75.4141
75441
T5Ml
75441
?
5J41
巧单AT
rsa
7^03
7.503
7.5D3
7.503
7503
7503
?
503
T.'SDS
T.5D3
7503
顶測变昼数
穆型拟合筑计£
Ljuna-BuxQ<18)
高酚i坟
平稳豹冃方
城计量
DF
Sig.
打业入数喉型-T
1
.414
C.552
15
.969
0
200&
址业人數-棋型」预测
UCL
LCL
1947.83
201375
1881.52
S眉刖;|鼎瓯£对一一一
:
ooooe-1750o(r1500DC-125OJDC-iooojoc-
xuQEnN
—M0Sgs
1暑
-Igg®
1S3
H
丄留9期