2015数据分析方法-时间序列分析2.pptxVIP

时间序列分析 16.1 时间序列分析概述 16.2 数据准备 16.3 时间序列的图形化观察及检验 16.4 时间序列的预处理(重点) 16.5 简单回归分析法和趋势外推法(自学) 16.6 指数平滑法(重点) 16.7 ARIMA模型分析(重点) 16.8 季节调整法(重点)16.7 ARIMA模型16.7.1 ARIMA模型的基本原理16.7.2 ARIMA模型的基本操作16.7.3 ARIMA模型实例分析ARIMA(自回归综合移动平均)是时间序列分析中最为常用的模型，也称之为Box-Jekins模型，或带差分的自回归移动平均模型。ARIMA模型可以对含有季节成分的时间序列数据进行分析，它包含三个主要的参数—自回归阶数(p)、差分阶数(d)、移动平均阶数(q)，一般模型的形式记为ARIMA(p,d,q)。16.7.1 ARIMA模型的基本原理处理非平衡的时间序列时，可以先建立一个包含趋势成分的模型，对由此初步模型得到的残差项，再使用ARIMA模型来拟合。差分ARIMA模型的分类建立ARIMA模型的一般步骤1. 差分差分是使序列平稳化的主要手段，常用的有一般性差分和季节差分两种。2. ARIMA模型的分类所谓ARIMA模型,就是对差分后的序列建立ARMA模型。根据参数个数的不同，ARIMA模型可分为如下几个基本类型：自回归(AR)模型;移动平均模型(MA)模型;自回归移动平均(ARMA)模型.(1) AR模型(2) MA模型(3) ARMA模型(4) ARIMA(p,d,q)模型(5) ARIMA(p,d,q)(P,D,Q)s模型3. 建立ARIMA模型的一般步骤通过差分或其它变换，使时间序列满足平稳性的要求；模型识别。主要是利用ACF、PACF和AIC等序列估计模型的大致类型，并给出几个初步模型以待进一步验证和完善。参数估计和模型诊断。对识别阶段所给初步模型的参数进行估计及假设检验，并对模型的残差序列作诊断分析，以判断模型的合理性。预测。利用最优模型对序列的未来取值或走势进行预测。第2和3步过程通常需要不断反馈、逐渐完善的过程。天津食品消费相关数据.sav16.7.2 ARIMA模型的基本操作选择菜单分析?预测?创建模型?在弹出窗口中方法中选择ARIMA。把待分析的变量选择到因变量框中。点击条件按钮，弹出模型参数设置框。若要对序列进行变换后再建模，可在转换框中选择变换方式。天津食品消费相关数据.sav模型参数设置阶数设置当前周期转换函数若时间序列的均值为零,或者已对其应用了差分算子,建议模型中不包含常数异常值检测的设置不作处理自动检测加法:只影响单个观测记录的异常值;移动水平:由数据的水平移动引起的异常值;创新的:由于噪声变动形成的异常值;瞬时的:对后续观测的影响程度,按指数水平衰减至0的异常值;季节性可加的:周期性的影响某些时刻的异常值;局部趋势:局部的线性异常值;可加的修补:表示多个连续出现的可加类型的异常值.用户指定5) 在统计量、图表、选项等子对话框中，选择需要输出的统计量和图表。天津食品消费相关数据.sav16.7.3 ARIMA模型的应用举例 利用1950年～1990年的天津食品消费数据，分析这段时间内的人均生活费用年收入的变化情况。1. 首先绘制和观察它的序列图2. 选择适当的ARIMA模型对其进行分析(ARIMA(1,1,2))；3. 提出改进模型ARIMA(0,1,2)，再分析和预测具体操作1. 首先绘制和观察它的序列图 （自己练习）2. 运用ARIMA(1,1,2)分析，具体操作见上一节，离群值不做处理；3. ARIMA(0,1,2)的操作与ARIMA(1,1,2)类似ARIMA(1,1,2)模型描述和模型拟合ARMA(1,1,2)模型残差序列的自相关和偏自相关图ARIMA(1,1,2)模型的预测结果一阶自回归系数不是特别显著，可考虑去掉自回归部分模型参数输出运用ARMA(0,1,2)模型的分析结果ARMA(0,1,2)模型参数输出ARMA(0,1,2)模型残差序列的自相关和偏自相关图ARIMA(0,1,2)模型的预测结果16.8 季节分解模型16.8.1 季节分解法概述16.8.2 季节分解模型的基本操作16.8.3 季节分解模型实例分析时间序列是对某一统计指标,按照指定的时间间隔,搜集整理的一组统计数据.一个时间序列可能包含4种变动因素:长期趋势变动、季节性变动、循环性变动和不规则变动。但并不是所有的时间序列都会同时含有这4种变动因素。16.8.1 季节分解法概述所谓季节分解,就是通过某些手段把时间序列中的4种变动趋势分解出来,并分别对其加以分析,再将分析结果综合起来组成的一个对原始时间序列的总模型。时间序列的4种成分季节分解模型的种类1. 时间序列的4种成分长期趋势，记为T。表示序列取值随时间逐渐