spss教程做aeima模型如何用组合预测法

1、如何用 spss 做组合法：865 次悬赏分：10解决时间：2011-1-4 15:02提问者：飞翔的长颈鹿_目前我用一元线性、多元线性、曲线回归、灰色模型、ARIMA 模型、指数平滑产生量做了模型，但感觉还是不够有说服力，虽然 R法对城市生活的平方挺高的，但还是希望找到一个进一步拟合得更好的模型用于未来的。希望大家能告诉我怎样用SPSS 做组合法？还有，判定一个模型的好坏，除了用R 的平方、残差平方和的大小来判定外，还先比较直观的判断方法？大家了最佳判断模型的好坏主要用AIC、SIC 或者 BIC 来看。SPSS 里面只有BIC。这三个指标意思是差不多的，不过以SIC 和BIC 为准。你在建

2、立不同模型的时候把相应的BIC 都算出来，比较哪个最小，哪个模型就是最好的。还有，就是检验模型中自变量的 T-s明模型比较好。istics，和 F-sistics。如果都显著，也说此外，可以进一步检验残差，如果你的残差服从 0 均值的正态分布，并且 ACF和PACF 都近似为 0 的话，就说明你的残差服从白噪声分布。此时的就是很科学的了。对于检验正态分布，可以用SPSS 里面的test，检验白噪声可以用Box-Ljung test。在 SPSS 里可以算出 Box-Ljung test。大概说一下概念，你有可以自己搜索学下SPSS 中建立 ARIMA 模型后如何得到残差?：830 次悬赏分：0

3、解决时间：2010-4-22 14:32提问者：kingjindali已用SPSS 建立ARIMA 模型，但是建模后需检验残差项是否为白噪声序列。建模的输出结果中没有残差（residuals），怎么办？急求解答，先谢过。不好意思我没有值啊，请大家帮个忙。最佳在框中点击save 按钮，弹出框中有残差（residual）那一项怎样在 spss 17.0 中录入数据？我要做入就只有前两位数，求急救！，变量是年份和总数，每次一输：676 次悬赏分：0解决时间：2010-12-8 19:50提问者：linyiqiong我用的是spss 17。0 每次一输入数据就只有前两位是显示出来的，请问是怎么回事啊？

4、我要用过去几年的数好的函数啊？跪求解答，急将来几年的数，怎么样找出拟合度最最佳是不是没小数点，还是什么问题？找拟合度最好的函数，你可以通过线性、二次、三次、指数等等函数进行拟合之后，比较每个函数的R值越大，说明函数拟合大小，比较的前提是函数通过方差检验，如果R 方高谈论Arima 模型在 SPSS 中的操作2010-11-03 21:11:22| 分类： datamining |： |字号大中小 订阅Arima 模型在 SPSS 中的操作ARIMA，就是autoregressiveegrated moving-average m，中文应该叫做自动回归积分滑动平均模型，它主要使用与有长期趋势与季

5、节性波动的时间序列的分析中。ARIMA 有 6 个参数，ARIMA (p,d,q)(sp,sd,sq)，后三个是主要季节性的变化，前三个针对去除了季节性变化后序列。为了避免过度训练拟合，这些参数的取值都很小。p 与sp 的含义是一个数与前面几个数线性相关，这两参数大多数情况下都取 0, 取 1 的情况很少，大于 1 的就几乎绝种了。d 与sd 是差分，difference，d 是描述长期趋势，sd 是季节性变化，这两个参数的取值几乎也都是 0，1，2，要做几次差分就取几作值。q 与sq 是平滑计算次数，如果序列变化特别剧烈，就要进行平滑计算，计算几次就取几做值，这两个值大多数情况下总有一个为

6、0，也很少超过 2 的。ARIMA 的思路很简单，首先用差分去掉季节性波动，然后去掉长期趋势，然后平滑序列，然后用一个线性函数+白噪声的形式来拟合序列，就是不断的用前p 个值来计算下一个值。用 SPSS 来做ARIMA 大概有这些步骤：1 定义日期，确定季节性的周期，菜单为Data-Define dates2 画序列图来观察数值变化，菜单为Graph-sequence / Time Series - autoregressive3 若存在季节性波动，则做季节性差分，Graph- Time Series - autoregressive，先做一次，返回 2 观察，如果数列还存在季节性波动，就再做

7、一次，需要做几次，sd 就取几4 若观察到差分后的数列中有某些值远远大于平均值，则需要做平滑，做几次sq 就取几5 然后看是否需要做去除长期趋势的差分，确定p 与sp6 然后在ARIMA 模型中测试是否存在其他属性影响属性，如果 Approx sig 接近 0，则说明该属性可以加入模型，作为独立变量，值得注意的是，如果存在突变，可以根据情况自定义变量，这个在判断突变的原因时特别有用。7 然后用以确定的参数与独立变量进行拟合。8 最后，用Graph- Time Series - autoregressive 来判断一下拟合产生的误差ERR，如果不存在明显特征，可以看作是无规律的随机白噪声，就可以

8、认为建模成功。9 最后使用ARIMA 模型进行即可感觉在电信行业的 KPI中，最有应用前景的是第六步，除了可以找到那些变量对目标值有影响外，还能确定在目标属性的变化中，不同原因的影响比例，如多少程度是由于竞争对手的，多少程度是因为自己表现好，多少程度是因为市场大环境变化了。此外，通过值，可以指导计划的编制和指标的制定，还能起到一点业务的作用。意义并不是很大，不过总比没有好求助：ARIMA 模型的源程序和高阶统计量的程序楼主 岳2011-05-15 21:59各位高手，有没有 ARIMA 模型的啦回复源程序和高阶统计量的程序，急需，134 阅读1论2 楼lucky 2011-05-15 22:0

9、4建议别在这里找，去找吧回复3 楼 岳回复2011-05-15 22:06lucky（2 楼）:上搜吗？好的，啦，o(_)o就是直接在回复4 楼回复岳lucky 2011-05-15 22:07（3 楼）:有关于的里面估计有，再就是的回复5 楼2011-05-15 22:07里面有 ARIMA 模型，你只要输入数据和参数就行了，还有 Eviews模型，并且他是专门做统计的里也有这个回复6 楼 岳回复2011-05-15 22:07lucky（4 楼）:嘿嘿，多谢指导哈回复7 楼lucky 2011-05-15 22:08回复岳（6 楼）:哪里哪里回复8 楼kick ball 2011-05-1

10、5 22:09回复岳（楼主）:的倒是没有，最近学了sas，sas 讲这个还比较多，有时间可以一看回复9 楼2011-05-15 22:09找个关于金融时间序列的书籍都有介绍回复10 楼 岳回复2011-05-15 22:10（5 楼）:嗯，我就是想找到它里面的关于 ARIMA 模型的程序，在哪儿？回复11 楼 岳2011-05-15 22:11回复kick ball（8 楼）:SAS 我也不懂怎么用的，就知道几个函数多指导多指导回复12 楼回复岳kick ball 2011-05-15 22:12（11 楼）:金融计量学：基于sas 的金融也许适合你回复13 楼2011-05-15 22:12

11、在金融工具箱里面回复14 楼2011-05-15 22:13回复岳（楼主）:%script to do an arima(p,d,q)ysis; you must put the name of your datafile(for exle supe it is mydata.dat) in the sement dataname=mydata.datnote there will be other scripts to remove polynomialsor to do SARIMAALPHA=.01; % Prtype 1 error for threshold line to test

12、 acf for N(0,1/sqrt(n)pvec=0,1,2; % orders of AR%pvec=4,5,6;d=0; % number of differen qvec=0,1,2; % orders of MA%qvec=2,3;RESIDPLOTS=1; % 0 to plot residual acfs%dataname=data2(:,1); % amed loaded%descriptor=US Production; % strings to be used for plotting%xvalues=quarters;%dindex=1:120; % select wh

13、ich of the input data to use brillx=textread(d:brillx.txt,%f); % this puts 912 elements in a column brilly=textread(d:brilly.txt,%f);d a t a n a m e = b r i l l x ; % % % % % % % % % % % % % d a t a n a m e s%descriptor=WOBBLE; xvalues=time; dindex=1:200; dindex=1:length(brillx);e m e n teval(data=,

14、dataname,;); % puts the inputo dataddata=data(dindex); % difference it d timesfor j=1:dddata=difendata);% ddata has been 1st differenced d timesnd=length(ddata);% now plot ddiff and acf figure;subplot(211); plot(1:nd,ddata,-);title(Result of ,2str(d), 1st differenof data: ,descriptor);subplot(212);

15、% now the acfrhod=xcov(ddata,coeff); % this returns the acf normalized by the variance% it is even, so ignore the negative lags and take only half of the rhod=rhod(nd:nd+floor(nd/2); % floor needed in case nd/2 noteger nrho=length(rhod);stem(rhod,.); % a stem plot with dot marker hold on;plot(zeros(

16、1,nrho);thr=norminv(1-ALPHA/2,0,1/sqrt(nd); plot(1:nrho,thr*ones(1,nrho),-r,1:nrho,-thr*ones(1,nrho),-r);itiveonestitle(autocorrelation, n=,2str(nd), alpha = ,num2str(ALPHA);% now estimate ARMA m heta with C np=length(pvec); nq=length(qvec);aicsave=-99*ones(np,nq); fpesave=-99*ones(np,nq); minaic=1e

17、+6;for pp=1:np p=pvec(pp); for=1:nq vec( );if p+q =0 orders=p q;m=armax(ddata,orders); %; ARMAX is AX=BU + Ce so identifyphi withA andtm is a structure with the mstuff in itresids=pe(m,ddata); % pe returns the prediction errors nres=length(resids);rhores=xcov(resids,coeff); % this returns the acf no

18、rmalized by the variance% it is even, so ignore the negative lags and take only half of theitive onesrhores=rhores(nres:nres+floor(nres/2); % floor needed in case nd/2 notnrho=length(rhores); % now rhores(1) is zero lageger% next compute the Ljung - Box sdeltak=floor(nrho/10)+1;istic and P-valueskve

19、c=p+q+1:deltak:p+q+1+4*deltak; for kk=1:5Q=0;for j=2:kvec(kk)+1+(rhores(j).2)/(nd-j);endQ=nd*(nd-1)*Q;ljpv(kk)=1-chi2cdf(Q,kvec(kk)-p-q); % df=kvec(kk)-p-q endaicsave(pp,)=aic(m); fpesave(pp,)=fpe(m);if aicsave(pp,) minaic minaic=aicsave(pp,); % save the min pbest=p;qbest=q; mbest=m;enddisp(sprq);f(

20、p,d,q)=(%d,%d,%d) aic=%d fpe=%d,p,d,q,aicsave(pp,),fpesave(pp,q=kvec;ljpv;disp(sprf(Ljung-Box P-values : );disp(sprf( K=%d P-v=%6.3e n,(:);if RESIDPLOTS% resids and acf figure;subplot(211); plot(1:nd,resids,-);title(Residuals from ARIMA(,sprf(%d,%d,%d),p,d,q), for data: ,descriptor);subplot(212); %

21、now the acfstem(rhores,.); % a stem plot with dot marker hold on;plot(zeros(1,nrho);thr=norminv(1-ALPHA/2,0,1/sqrt(nres); %threshold,在服从(0,1/根号 n)的正态分布中包含 1-百分之 ALPHA 的值的阈值plot(1:nrho,thr*ones(1,nrho),-r,1:nrho,-thr*ones(1,nrho),-r); title(autocorrelation of residuals, n=,2str(nres), alpha = ,num2st

22、r(ALPHA);end % RESIDPLOTSendend enddisp(SUMMARY OF ARIMA MS FOR DATA : ,descriptor);disp(sprf(AIC min at (p,d,q)=(%d,%d,%d) aic=%d,pbest,d,qbest,aic(mbest); A,B,C,D,F=polydata(mbest);disp(phi coefficients : ,num2str(A);disp(theta coefficients : ,num2str(C);% now plot periodogram and estimated spectr

23、a from m% plot |W(lambda)|2NLAM=100; % no. pts to plot in 0,2pidli/NLAM;lams=0:dlclear i;i-dlam;e=exp(-i*lams);thetaspec=polyval(C,e); phispec=polyval(A,e);sigr=std(resids);W=thetaspec./phispec;% xt=newpgram(x,nfft,np1,np2,halflen,alpha,rejalpha,plsw,logsw,dataname)%estspec=pgram(ddata,nd,0,.01,desc

24、riptor);%estspec=newpgram(ddata,NLAM*2,1,NLAM,8,.01,.001,0,0,descriptor);%estspetspec(1:floor(nd/2);estspec=avspec(ddata,NLAM*2,NLAM,0); %modspec=(sigr2)/(2*pi)*abs(W).2;figure; semilogy(lams,estspec,r,lams,modspec,b-.); xlabel( 0 leq lambda pi);v=axis;text(v(1)+.2*(v(2)-v(1),v(3)+.8*(v(4)-v(3),thet

25、a:,.sprf( %4.2f,C),sprf(n phi:),sprf( %4.2f,A); title(spectral density estimates - log scale);legend(periodogram,estimated m);回复15 楼2011-05-15 22:13已经嵌套好的，你看不见源程序回复16 楼2011-05-15 22:14应该会有时间序列的包吧回复17 楼2011-05-15 22:14另外，在Eviews 里面也有 ARIMA 模型，你要用很方便的回复18 楼2011-05-15 22:47各位大虾，谁有图像处理 GUI 用户界面参考一下？回复19

26、 楼 岳2011-05-16 15:31各位的热心指导哈，不胜感激啊若有需要我帮忙的，不用客气o(_)o回复20 楼 岳回复2011-05-16 20:07（14 楼）:你好啊，不好意思，这个程序看不明白，能不给解释下啊嘿嘿SPSS 的时间序列分析怎么做：3585 次悬赏分：0提问时间：2010-6-9 13:26提问者：money12345678其他回答 共 1 条时间序列分析时间序列概述1. 基本概念(1)一般概念：系统中某一变量的观测值按时间顺序（时间间隔相同）排列成一个数值序列，展示研究对象在一定时期内的变动过程，从中寻找和分析事物的变化特征、发展趋势和规律。它是系统中某一变量受其它各

27、种影响的总结果。 (2)研究实质：通过处理目标本身的时间序列数据，获得事物随时间过程的演变特性与规律，进而事物的未来发展。它不研究事物之间相互依存的因果关系。(3)假设基础：惯性原则。即在一定条件下，被事物的过去变化趋势会延续到未来。暗示着历史数据存在着某些信息，利用它们可以解释与时间序列的现在和未来。近大远小原理（时间越近的数据势性、线性、常数方差等。越大）和无季节性、无趋(4)研究意义：许多经济、金融、商业等方面的数据都是时间序列数据。时间序列的和评估技术相对完善，其情景相对明确。尤其关注目标可用数据的数量和质量，即时间序列的长度和的频率。2. 变动特点(1)趋势性：某个变量随着时间进展或

28、自变量变化，呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向，但变动幅度可能不等。(2)周期性：某由于外部影响随着自然季节的交替出现与低谷的规律。(3)随机性：个别为随动，整体呈统计规律。(4)综合性：实际变化情况一般是几种变动的叠加或组合。除去不规则变动，突出反映趋势性和周期性变动。时一般设法过滤3. 特征识别认识时间序列所具有的变动特征，以便在系统时选择采用不同的方法。随机性：均匀分布、无规则分布，可能符合某统计分布。(用因变量的散点图和直方图及其包含的正态分布检验随机性，大多数服从正态分布。)平稳性：样本序列的自相关函数在某一固定水平线附近摆动，即方差和数学期望稳定为常数。样

29、本序列的自相关函数只是时间间隔的函数，与时间起点无关。其具有对称性，能反映平稳序列的周期性变化。特征识别利用自相关函数 ACF：k=k/0其中k 是yt 的 k 阶自协方差，且 0=1、-1kp 时，有 k=0 或 k 服从渐近正态分布 N(0,1/n)且(|k|2/n1/2)的个数4.5%，即平稳时间序列的偏相关系数 k 为p 步截尾，自相关系数 rk 逐步衰减而不截尾，则序列是 AR(p)模型。实际中，一般 AR 过程的 ACF 函数呈单边递减或阻尼振荡，所以用 PACF函数判别(从p 阶开始的所有偏自相关系数均为 0)。 (3)平稳条件一阶：|1|1。二阶：1+21、1-21、|2|q

30、时，有自相关系数rk=0 或自相关系数rk 服从 N(0,1/n(1+2r2i)1/2)且(|rk|2/n1/2(1+2r2i)1/2)的个数4.5%，即平稳时间序列的自相关系数 rk 为q步截尾，偏相关系数 k 逐步衰减而不截尾，则序列是MA(q)模型。实际中，一般MA 过程的 PACF 函数呈单边递减或阻尼振荡，所以用 ACF函数判别(从q 阶开始的所有自相关系数均为 0)。 (4)可逆条件一阶：|1|1。二阶：|2|1、1+250，滞后周期kn/4，所以此处控制最大滞后数值um Number of Lags 设定为 12。点击继续 Continue 返回自相关主框后，点击OK 运行系统，

31、输出自相关图如图 3.19 所示。图 3.19从图中看出；样本序列数据的自相关系数在某一固定水平线附近摆动，且按周期性逐渐衰减，所以该时间序列基本是平稳的。(3)数据变换：若时间序列的正态性或平稳性不够好，则需进行数据变换。常用有差分变换(利用transformCreate Time Series)和对数变换(利用 TransformCompute)进行。一般需反复变换、比较，直到数据序列的正态性、平稳性等达到相对最佳。2. 模型识别分析时间序列样本，判别模型的形式类型，确定 p、d、q 的阶数。(1)判别模型形式和阶数相关图法：运行自相关图后，出现自相关图（图 3.19）和偏自相关图（图 3

32、.20）。图 3.20从图中看出：自相关系数和偏相关系数具有相似的衰减特点：衰减快，相邻二个值的相关系数约为 0.42，滞后二个周期的值的相关系数接近 0.1，滞后三个周期的值的相关系数接近 0.03。所以，基本可以确定该时间序列为 ARMA（p,q）模型形式，但还不能确定是 ARMA（1,1）或是 ARMA（2,2）模型。但若前四个自相关系数分别为 0.40、0.16、0.064、0.0256，则可以考虑用 AR(1) 模型。另外，值得说明的是：只是 ARMA 模型需要检验时间序列的平稳性，若该序列的偏自相关函数具有显著性，则可以直接选择使用 AR 模型。实际上，具体应用自相关图进行模型选择

33、时，在观察 ACF 与PACF 函数中，应注意的关键问题是：函数值衰减的是否快；是否所有 ACF 之和为-0.5，即进行了过度差分；是否 ACF 与PACF 的某些滞后项显著和容易解释的峰值等。但是，仅依赖 ACF 图形进行时间序列的模型识别是比较参数估计：的。从(m,m-1)开始试验，一般到 m=p+q=1/n。实际应用中，往往从(1,1)、(2,2)，逐个计算比较它们的 AIC 值（或 SBC 值），取其值最小的确定为模型。(2)建立时间序列新变量无论是哪种模型形式，时间序列总是受自身历史数据序列变化的影响，因此需将历史数据序列作为一个新的时间序列变量。按数据转换transform建立时间

34、序列 Create Time Series 的顺序展开框，图 3.21。图 3.21在功能Function 下拉框中选择变量转换的函数，其中：非季节差分 Differen: 计算时间序列连续值之间的非季节性差异。季节性差分Seasonal Differen: 计算时间序列跨距间隔恒定值之间的季节性差异，跨距根据定义的周期确定。领先移动平均Prior moving average:计算先前的时间序列数值的平均值。中心移动平均 Centered moving average:计算围绕和包括当前值的时间序列数值的平均值。中位数 Running medians:计算围绕和包括当前值的时间序列的中位数。

35、 累积和 Cumulative sum:计算直到包括当前值的时间序列数值的累计总数。滞后顺序Lag: 根据指定的滞后顺序，计算观测量的值。领先顺序Lead:根据指定的领先顺序，计算连续观测量的值。平滑Smoothing:以混合数据平滑为基础，计算连续观测量的值。以上各项主要用在生成差分变量、滞后变量、平移变量，并且还要关注差分、滞后、平移的次数，以便在建立模型、进行参数估计时，使方程达到一致。在顺序Order 框中填入或在后的时间序列数值间隔的数目。在新变量 New Variable 框中接受左边框移来的源变量。在名称 Name 框中定义新变量的名称，但必单击改变 Change 方能成立。单击

36、OK 运行系统，在原数据库中出现新变量列。另外，若需产生周期性时间序列的日期型变量，则按数据 Data定义日期 DefineDates 的顺序展开如图 3.22 所示框。图 3.22在样本 Cases Are 栏中选择定义日期变量的时间间隔，在起始日期栏中设定日期变量第一个观测量的值，单击OK 完成定义。3. 参数估计Case Is采用最大似然估计或最小二乘估计等方法估计、 参数值，并进行显著性检验。yze时间序列Time seriesARIMA 模型的顺序展开如图3.23按分析框。图 3.23在图 3.23 中：选择原时间序列变量进入因变量框；根据模型识别结果和建立的新时间变量，选择一个或多

37、个变量进入自变量框；暂时不进行因变量的数据转换；与自变量的选择对应，根据模型识别结果或实验的思路设定 p、(d)、q 的值；选择模型中包含常数项；分别单击保存和设置按钮，展开如图 3.24 和 3.25框。图 3.24图 3.24 中：在建立变量 Create Variable 栏选择新建变量结果暂存原数据文件Add to file 项，也可选择用新建变量代替原数据文件中计算结果 Replace existing 项；在设定置信区间百分比%ervals 下拉框选择 95；在样本Predict Cases 栏选择根据时期给出结果的方法。图 3.25图 3.25 中：在收敛标准 Convergen

38、ce Criteria 栏选择迭代次数um iterations、参数变化精度Parameter change、平方和变化精度Sum of squares change，当运算达到其中一个参数的设定，则迭代终止；在估计初始值Initial Values for Estimation 栏选择由过程自动选择Automatic 或由先前模型提供Apply from previous m，一般默认前者；在方法Forecasting Method 栏选择无条件Unconditional 或有条件最小二乘法 Conditional least squares；在输出控制 Display 栏选择最初和最终参

39、数的迭代摘要Initial and final parameters with iteration summary 或详细资料details、或只显示最终参数 Final parameters only。单击OK，系统立即执行，输出信息如下：M:MOD_1Split group number: 1Series length: 48 No missing data.Melards algorithm will be used for estimation. of estimation phase.Estimation terminated at iteration number 7 becaus

40、e:Sum of squaresdecreased by lessn .001 percent.FINAL PARAMETERS:Number of residuals48Standard error1.1996949Log likelihood AICSBC-75.463915156.92783162.54143ysis of Variance:DF 45Adj. Sum of Squares65.099923Residual Variance1.4392678ResidualsVariables Bhe MSEB:T-RATIOAPPROX.PROB. AR1 MA1CONSTANT.02318739-.4