时间序列分析
时间序列也称动态序列,由两个组成要素构成:
1.时间要素:年、季度、月、周、日、小时…2.数值要素
分类:时期序列和时点序列
1.SPSS处理时间序列中的缺失值
- 替换缺失值的五种方法:
SPSS->转换->替换缺失值
1.序列平均值:用整个序列的平均数代替缺失值
2.临近点的平均值:用相邻若干个点的平均数来替换
3.临近点的中位数:用相邻若干点的中位数来替换缺失值
4.线性插值:用相邻两个点的平均数来替换缺失值
5.邻近点的线性趋势:将时期数作为x,时间序列值作为y进行回归,求缺失点的预测值
2.定义时间变量
SPSS->数据->定义日期和时间
3.生成时间序列图(时序图)
SPSS->分析->时间序列预测->序列图
3.1叠加模型和乘积模型
(1)如果四种变动之间是相互独立的关系,那么叠加模型可以表示为:
Y
=
T
+
S
+
C
+
I
Y=T+S+C+I
Y=T+S+C+I
(2)如果四种变动存在相互影响的关系,那么应该使用乘积模型:
Y
=
T
∗
S
∗
C
∗
I
Y=T*S*C*I
Y=T∗S∗C∗I
Y:指标数值的最终变动
T:长期趋势变动
S:季节变动
C:循环变动
I:不规则变动
在具体的时间序列图上,如果随着时间的推移,序列的 季节波动变得越来越大,则反映各种变动之间的关系发生变化, 建议使用乘积模型;反之,如果时间序列图的波动保持恒定, 则可以直接使用叠加模型;当然,如果不存在季节波动,则两 种分解均可以。
4.季节性分解
SPSS->分析->时间序列预测->季节性分解
模型类型:乘性(周期内波动不稳定)/加性(周期内波动稳定)
移动平均值权重:所有点相等(周期是奇数)/端点按0.5加权(周期是偶数)
关注点:季节因子
5.结果解读
ERR_1:不规则变动(L)
SAS_1:季节性调整后系列(T+C+L)
SAF_1:季节性调整因子(S)
STC_1:趋势循环成分(T+C)
6.画出分解后的时序图
7.时间序列分析的作用
- 描述过去:描述时间序列的动态变化
- 分析规律:揭示时间序列数值变化背后的规律
- 预测未来:依据数值变化规律预测未来数值的趋势
8.建立时间序列分析模型
SPSS->分析->时间序列预测->创建传统模型
如果后的结果是ARIMA(p,0,q)模型,那么我们就可以画出时间序列的样本 ACF和PACF图形进行分析;如果得到的是ARIMA(p,1,q)模型,我们可以先对数据进行 1阶差分后再用ACF和PACF图形分析;如果得到的结果与季节性相关,那么我们可以 考虑使用时间序列分解。
标签:变动,模型,建模,SPSS,时间,序列,数学,缺失 来源: https://blog.csdn.net/weixin_44296846/article/details/123042844
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。