spss教程第四章时间序列分析.docx
《spss教程第四章时间序列分析.docx》由会员分享，可在线阅读，更多相关《spss教程第四章时间序列分析.docx（12页珍藏版）》请在冰豆网上搜索。
spss教程第四章时间序列分析
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→DefineDates打开DefineDates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
1979
1980
1981
1982
1
23
30
18
22
2
33
37
20
32
3
69
59
92
102
4
91
120
139
155
5
192
311
324
372
6
348
334
343
324
7
254
270
271
290
8
122
122
193
153
9
95
70
62
77
10
34
33
27
17
11
19
23
17
37
12
27
16
13
46
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LineCharts对话框如图4.2.。
从中选择Simple单线图，从DateinChartAre栏中选择Valuesofindividualcases，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。
图4.2LineCharts对话框
2.单击Define，打开对话框如图4.4所示。
选择分析变量进入LineRepresents，，在CategoryLabels类别标签（横坐标）中选择Casenumber数据个数（或变量Variable），单击Title按纽可以添加标题。
图4.3Valuesofindividualcases对话框
3.点击OK可得到线图如图4.4所示。
图4.4汗衫销量时间序列线图
*二、自相关图
多数经济现象具有滞后性的特点，而自相关图能够刻画经济的滞后现象，对经济问题的分析和预测起到重要的作用。
下面介绍自相关图的具体操作方法。
1.在数据编辑窗口单击Gragh→TimeSeries→Autocorrelation对话框，如图4.5所示：
图4.5Autocorrelation对话框
2.在左边框内选择要显示的变量进入右边Variables对话框；如果需要对时间序列进行变换，则要从Transform栏中选择对变量的的变换方式：
其中分别是Naturallogtransform自然对数变换，Differfence差分（确定差分阶数），Seasonallydifference季节差分（确定差分阶数）；从Display栏中选择自相关图（Autocorrelations）和偏自相关图（Partialautocorrelations）。
3.单击Options对话框，在MaximumNumberofLags参数框中选择最大滞后数值，默认值是16。
选择默认值后点击OK，可在输出窗口观察到自相关图和偏相关图。
如图4.6所示。
图4.6（a）自相关图
图4.6（b）偏自相关图
从上面的图4.4和4.6（a）中都可以看出，这个时间序列具有很强的季节性。
图4.6（b）反映出这个时间序列不是平稳的时间序列，有一定的趋势性。
通过时间序列的线图和自相关图后，可以根据时间序列的变动趋势和季节性的特点进行季节分解，分析季节因素的影响程度。
§4.2季节变动分析
时间序列分析的基本方法，是进行季节变动分析。
季节变动分析的可以通过分析菜单上TimeSeries实现。
即在数据窗口单击Analyze→TimeSeries。
从TimeSeries小菜单中可以得到时间序列分析的四种选择（见图4.7），分别是：
图4.7时间序列分析菜单
●ExponentialSmoothing…指数平滑法
●Autoregression…自回归模型
●ARMA…自回归移动平均模型
●SeasonalDecomposition…季节分解。
§4.2.1季节分析方法
季节变动分析是分析时间序列的指标值受时间因素的周期影响程度，通过季节分解，可以得出每个月指标的季节指数，根据季节指数进行季节调整，为制定相应的计划提供可靠的依据。
下面通过前面的例4.1说明季节指数的求解方法。
打开数据文件SY-11（零售量），根据前面的线形图，看出数据有明显的季节波动，需要进行季节分解，求出季节指数。
具体操作如下：
1、单击Analyze→TimeSeries→SeasonalDecomposition打开SeasonalDecomposition对话框，如图4.8所示。
图4.8SeasonalDecomposition对话框
2、从左边框中选择待分解处理的变量进入Variable框内,并在Model栏中选择模型类型。
有乘法模型（Multiplicative）和加法模型（Additive）两种。
本例中选择乘法模型。
3、在MovingAverageWeight栏中，选择移动平均处理方法，一般当时距n为奇数时选择Allpointsequal;当n为偶数时选择Endpointsweightedby.5。
4、如果选择左下方的Displaycasewiselisting，可以在输出窗口观察计算过程，其中包括移动平均的结果，季节指数的生成过程，序列成分分解过程。
否则只输出简单的季节指数。
5、单击Save按纽，打开Save对话框（见图4.9），选择是否创建新的变量。
新创建的时间序列有：
季节指数、调整后的序列值、平滑值及不规则变动。
图4.9Season：
Save对话框
6、单击OK得到输出结果如表4.2所示。
简单的输出结果只显示季节指数。
即：
ResultsofSEASONprocedureforvariable零售量变量季节分析结果
MultiplicativeModel.CenteredMAmethod.Period=12
乘法模型
表4.2季节指数表
Seasonalindex季节指数％
时期Period（*100）
116.391
223.999
371.285
4108.195
5258.452
6268.829
7226.751
8110.477
959.058
1027.338
1116.214
1213.011
从上面的季节指数可以看出，背心的销售量在4月份至8月份的季节指数明显的高于其它月份的季节指数，其中5月、6月和7月份的季节指数超过了200％，说明了这个阶段的零售量非常大，已经达到月平均值的两倍以上。
§4.2.2进行季节调整
季节分解的目的是根据季节指数进行季节调整，消除季节因素的影响，并通过调整前后的指标数据的比较，确定季节因素的影响程度，为预测决策提供科学依据。
所以在进行季节分解的同时，在SeasonalDecomposition对话框中选择Displaycasewiselisting复选项，可以得到详细的分解过程和季节调整值。
表4.3中给出了季节分解和调整过程的部分数据。
表4.3季节过程分解数据表
MODEL:
MOD_1.
ResultsofSEASONprocedureforvariable零售量.
MultiplicativeModel.CenteredMAmethod.Period=12.
序号变量移动平均比率季节指数季节调整值平滑值不规则变动
SeasonalSeasonallySmoothed
CaseMovingRatiosfactorsadjustedtrend-Irregular
number零售量averages（*100）（*100）seriescyclecomponent
（1）
（2）（3）=
（1）/
（2）（4）（5）=
（1）/（4）（6）（7）=（5）/（6）
123.000..16.391140.321148.671.944
233.000..23.999137.505124.8731.101
369.000..71.28596.794105.357.919
491.000..108.19584.10795.716.879
5192.000..258.45274.28995.421.779
6348.000..268.829129.450106.1671.219
7254.000109.208232.583226.751112.017116.773.959
8122.000109.667111.246110.477110.430125.651.879
995.000109.41786.82459.058160.859131.2641.225
1034.000110.20830.85127.338124.367138.571.897
1119.000116.37516.32716.214117.185151.024.776
1227.000120.75022.36013.011207.521166.8361.244
1330.000120.83324.82816.391183.027163.6021.119
1437.000121.50030.45323.999154.173145.8371.057
1559.000120.45848.98071.28582.766120.203.689
16120.000119.375100.524108.195110.911113.038.981
注意：
上表中第3列是时距为12个月的移动平均值，第4列是变量的观察值与移动平均值的比值的百分数，第5列是季节指数，第6列是季节调整值，第七列是平滑值，第8列是不规则变量。
新创建的时间序列有4组。
分别是：
ERR_1误差项Errorfor零售量fromSEASON,MOD_1MULCEN12
SAS_1调整值Seasadjserfor零售量fromSEASON,MOD_1MULCEN12
SAF_1季节指数Seasfactorsfor零售量fromSEASON,MOD_1MULCEN12
STC_1平滑值Trend-cyclefor零售量fromSEASON,MOD_1MULCEN12
练习四
1
2
3
4
5
6
7
8
9
10
11
12
1999
70
93
60
72
125
89
101
112
97
135
81
79
2000
76
102
78
82
140
94
115
122
99
143
90
88
2001
86
105
87
88
146
94
122
121
110
151
98
96
2002
91
121
95
110
154
103
131
129
112
159
100
101
1、某酒店1999年至2002年的经营收入如下表所示，试根据表中数据计算趋势值、季节比率及进行季节调整，并根据计算结果分析说明季节对酒店经营收入的影响。
酒店经营收入表（单位：
万元）
月
年
升级会员 