spss时间序列模型.docx

1、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(1

2、969-2005 )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

3、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：Date f Define Dates，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。XEAR_DATE_M7.00196

4、919691047 001970197Q1113.&C197119711105,00197219721114 90197319731085 90197419741125 4Q197519761141 10197619761180 60197719771Z54 1U19/tJ19781321.50197919791441.70198019801505 10198119S11571.60198219S2163S 60198319831680 7019S419041769 101985198517M9 1U1986198b1036.40198719S71050 60198819834 - 7 41

5、nn-arhW Fiori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 AnalyzeforecastingSequeneeCharts,弹出 Sequenee Charts 对话框。单击【ok（确认）】按钮，得到时序图:YEAR, net ipariodic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：TransformCreate Time Series ，弹出对话框:

6、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 X 1。XYAR_DAT_3(_1967.0019691969I J1U7 00101970SO 0011135Q1971137166 501105.00197219728 一耐1114 9Q197319739.901065 9019741974*29.001125.4C197&35.601141 1019T6197615.TQ1180 601977197739 501254 10仔日137073 501321.501979197967.401441.701SSO1360120.20160

7、S. 1019811961634Q15716019821962SO1633 &Q19S3196367 QQ1660 701984198442.f017691019AS1965aa.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Time Series 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M JyEAR. notperiodL. 沪乘自刃眾型的亠 少丢自鼻

8、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5EB y血刑1體 曲远/ DIFFX,1X_1 人 列自相关 V僞自相其co-sm-自撚对数转按迥羞分也）： 1a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- lju hg圭齋计呈值dfSig145416C9.0591one2.3371 512 S2C20023.091I5i512 97C3.0054.001.15312.97C4.011刁.203.1 511 4.3915L01 1B.0621461 5 066&.02

9、07,1911 4号16 7637.019二：.085.14317 1 3S8.0293.0011 4017 14Cg.04710.0691 3617 39210.06211-.11 91 3S1 0 1B711.0701 2-H731 371 51 51 21 m13-.0B11301ti 737131311 4-0411 271 8.94C1 4.1 715-on1 2418.35115.220I b-.11 4.1 Z11 a1 a.232b.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

10、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-julj1.5-1J0-DIFFfxJlUUSLJ1 1,， jUt.luIRCWIT二1 2 3 4 5 6 7 8 0 10 11 12 113 M 1S 16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

11、菜单栏中的AnalyzeForecastingCreate Models 命令，弹出 Create Models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Dependent Variables 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ARIMACriteria对话框。单击Create Models 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 1ARIWI/V1J.2)SA1MH總Ktfi百牙恆?IDi55DT505丰特兰JR片41414414AI

12、441 i4-4414.-fl 144T4F方rN3,M3J 93453993.M3斶,993J 03.093FUSE33.20033.20633.20633.20633.20633 20033.20333JD633 J Da33.2IKfWE1 ml.41 4441曲41 44411 44414441.4441 44iVaxPE6. STI6.671朋科0.9710 6718.6716 671G0?16s0Ft6 671WE22,阳 $2162322-0232U2312 42322 M322J6232U2922J232; &33ivavF75 4417S.M1巫75.414175 441T5 Ml75441?5 J41巧单ATrs ai7037.5037.5 D37.5037 5037 503?503T.SDST.5D37 503顶測变昼数穆型拟合筑计 Ljuna-Bux Q18)高酚i坟平稳豹冃方城计量DFSig.打业入数喉型-T1.414C.55215.9690200&址业人數-棋型 预测UCLLCL1 947.832013751881.52S眉 刖;|鼎 瓯对 一一一:ooo oe- 1750 o(r 1500 DC- 125OJDC- iooojoc-xuQEnNM0S gs1暑-Igg1S3H丄留9期