时间序列分析教材(PPT 45页).ppt

第14章时间序列分析,TimeSeries,返回,各种时间序列分析过程修补缺失值与创建时间序列指数平滑有关公式操作实例自回归过程有关公式操作实例,自回归综合移动平均过程操作实例季节分解过程操作实例习题14习题参考答案结束,目录,返回,分析内容,指数平滑自回归综合移动平均季节分解法,在做分析前，须对数据进行预处理，步骤：1对缺失值数据进行修补2定义相应的时间序列3对时序数据平稳性计算,各种时间序列分析过程,返回,修补缺失值过程与对话框,返回,Seriesmean:整个序列的均数来替换缺失值Meanofnearbypoints：相邻若干点均数来替换Medianfonearbypoints：若干相邻点中位数来替换Linearinterpolation：相邻两点平均值来替换Ineartrendatpoints：该点的线性趋势（记录号做自变量）,创建时间序列对话框,时间序列分析是建立在序列的平稳下的判断序列是否平稳可以看它的均数和方差是否不再随时间的变化而变化，自相关系数是否只与时间间隔有关而与所处的时间无关。通常，大多数时间序列不平稳，经常进行差分和对数转换或平方根转换进行平稳化处理,创建时间序列对话框,运行函数Lag时的结果说明,返回,functionDifference非季节性差分Seasonaldifference跨距恒定间隔的季节性差分Centeredmovingaverage中心移动平均Priormovingaverage时间序列当前值之前的跨距平均值Runningmedians包括当前值跨距的中位数Cumulativesum包括当前值累积总和Lag滞后Lead领先Smoothing混合数据平滑基础上，计算新时序值,指数平滑,ExponentialSmoothing,返回,概念,1958年，由holt提出，应用于无趋势、非季节作为基本形式的时间序列的分析。估计是非线性的，其目标是使预测值和实测值间的均方差为最小。四种方法：Simple：研究时间序列数据无趋势和季节变化Holt：使用于有线性趋势、无季节变化Winters：使用于含有季节性因素的时间序列预测Custom：自定义，选择趋势和季节,指数平滑有关公式（Simple法）,计算公式,对第1个公式重新排列后得到：,返回,预测值是前一期预测值加上前一期预测值中所产生的误差的修正值。,误差修正权数a，默认状态下为0.1，通常在0.1-0.3之间。,指数平滑有关公式（Holt法）,三个方程式,利用前一期的趋势值bt1直接修正平滑值St,用来修正趋势值bt，趋势值用相邻两次平滑值之差来表示,进行预测，预测值为基础值加上趋势值乘以预测超前期数,两个参数、（从01之间取值）,返回,指数平滑有关公式（Winters法）,四个方程式,其中（01）,其中（01）,其中（01）,公式中数据Xt为含有季节性因素的时间序列，St值是去除季节性因素的平滑值。L为季节的长度（每年的月数或季数），I为季节的修正系数。,返回,指数平滑过程主对话框,返回,指数平滑参数选项对话框,返回,指数平滑保存对话框,返回,Custom模型选择项,返回,Simple法实例输出,计算结果,返回,纪录某化工厂化工生产过程中每分钟的温度读数，请对121分钟的温度度数作一次平滑预测,Holt法计算实例输出,返回,某厂从1977-2000年生产机器的销售量，给出其2002年的预测销售量,Winters法实例输出,返回,按千人计的英国1955-1969年季度失业人数和gdp国内生产总值，预测1970年第四季度的失业人数和gdp值。,自定义指数趋势输出,返回,自回归,Autoregression,返回,自回归有关公式,用Xt，Xt-1，Xt-2，记在等间隔时间t，t-1，t-2，上的过程值,用Zt，Zt-1，Zt-2，记关于均值的偏差，即Zt=Xt,p阶自回归（AR）：,时间序列的当前值等于时间序列前一个的值同一个随机误差的线性组合，即：,返回,计算自回归方法,精确极大似然方法：能够处理缺失值数据，以及能够使用滞后因变量作为自变量Cochrane-orcutt：当时间序列含缺失值，无效Prais-winsten：不使用于缺失值，比上法优,自回归过程主对话框,返回,保存对话框,返回,选项对话框,返回,案例,变量weight为某养鱼场历年的年捕捞量。为了提高经营管理水平，需建立自回归模型，预测2002年的捕捞量。,自回归分析实例输出,Prais-Winsten法计算结果,返回,实测值和估计值之间的线图,实测值可信区间线图,返回,自回归综合移动平均,（ARIMA）,返回,概述,它估计非季节和季节平稳性的自回归综合移动平均模型，arima模型，也称box-jenkins模型。可对包含季节趋势的时序分析第一步：对数据差分第二步：选定合适的模型第三步：参数估计、检验。,自回归综合移动平均过程主对话框,返回,选择参数对话框,返回,模型参数选择,返回,自回归综合移动平均分析实例输出1,1,2,3,返回,自回归综合移动平均分析实例输出2,4,5,6,7,返回,自回归综合移动平均分析实例输出3,实测值与预测值的拟合线图,返回,季节分解法,SeasonalDeccomposition,返回,概述,时间序列变化受多种因素影响，分为四种长期趋势因素（t）季节变动因素（s）周期变动因素（c）不规则变动因素（i）时间序列看成四因素函数Y=f（t,s,c,i）加法模型和乘法模型Y=t+s+c+I,y=t*s*c*I乘法模型更常用，时序和长期趋势用绝对值表示，季节变动、周期变动、不规则变动用相对值（百分数）表示,季节分解主对话框,返回,季节分解法分析实例输出,返回,14习题,1、时间序列的基本概念。2、时间序列分析过程中有哪几种常用的方法？3、对数据用时间序列模型进行拟合处理前，应做哪些准备工作？4、在哪个过程中可进行缺失值的修补？5、修补缺失值的方法共有几种？6、在哪个过程中可定义时间变量？7、时间序列分析是建立在序列的平稳的条件上的，怎样判断序列是否平稳？8、为什么要建一个时间序列的新变量？在SPSS的哪个过程中来建时间序列的新变量？,返回,时间序列习题参考答案,1、时间序列是指一个依时间顺序做成的观察资料的集合。2、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。3、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这些过程对其进行分析。根据对数据建模前的预处理工作的先后顺序，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。4、修补缺失值可在Transform菜单的ReplaceMissingValues过程中进行。5、修补缺失值的方法共有五种，它们分别是：、Seriesmean；、Meanofnearbypoints；、Medianofnearbypoints；、Linearinterpolation；、Lineartrendatpoint。6、定义时间变量可在Data菜单的Definedates过程里实现。7、判断序列是否平稳可以看它的均数和方差是否不再随时间的变化而变化、自相关系数是否只与时间间隔有关而与所处的时间无关。8、在时间序列分析中，为检验时间序列的平稳性，经常要用一阶差分、二阶差分，有时为选择