【SPSS看统计学】之时间序列预测

1、时间序列预测技术面看看如何采用SPSS软件进行时间序列的预测我们通过案例来说明：假设我们拿到一个时间序列数据集：某男装生产线销售额。一个产品分类销售公司会根据过去10年的销售数据来预测其男装生产线的月销售情况。JtRlJPAS1StatlEtlC5楼螟集転耗文件備苗迥闺过转義俪血卫帶越国聊父用程炉勒前口址蘇脚痂+DRg就團眇轴glT.tzi七imcs：cezcs.sar!,閏陪分忻=厚?JE.J目祁天.Men10117242111Q217975.721031的贾UH104187SB.66105324E.1S1UB2跖31D722452.3310930236.591092202巳我1101771

2、9301t1JOB.-S1f214165.4111319J1BO21U19O01.S9価W1.151f63D20B.171t724467.941W23G02.m11924299.J21203BS09.-E6r強i122广如團asi尼瓷毘理辺确回归J=?_SB1变5创產技型匹）.r：MW.现在我们得到了10年120个历史销售数据，理论上讲，历史数据越多预测越稳定，一般也要24个历史数据才行！大家看到，原则上讲数据中没有时间变量，实际上也不需要时间变量，但你必须知道时间的起点和时间间隔。当我们现在预测方法创建模型时，记住：一定要先定义数据的时间序列和标记！这时候你要决定你的时间序列数据的开始时间，

3、时间间隔，周期！在我们这个案例中，你要决定季度是否是你考虑周期性或季节性的影响因素，软件能够侦测到你的数据的季节性变化因子。定义了时间序列的时间标记后，数据集自动生成四个新的变量:YEAR、QUARTER、MONTH和DATE（时间标签）。接下来:为了帮我们找到适当的模型，最好先绘制时间序列。时间序列的可视化检查通常可以很好地指导并帮助我们进行选择。另外，我们需要弄清以下几点:此序列是否存在整体趋势？如果是，趋势是显示持续存在还是显示将随时间而消逝？此序列是否显示季节变化？如果是，那么这种季节的波动是随时间而加剧还是持续稳定存在？：3品SEiRnpenodnI.alauffiTEB,oenod

4、LMUJMTm,ported1?L豎砲绘圜|k*氐扫氏怖并將电rJWnCP1?.-；Ml區尊J旳号用usteax.冋誓节Ef*单固.afl这时候我们就可以看到时间序列图了！畑帕OCT-ggOD誥irj训砂$300-IWLPMsJAW胃IS8t-.-SKphM94FPMQ7WlY8?4K-HA-CKM5.lasSEP3005t.8S,nwL-iEMAYgil_S2M8_-MAY舊!1saw3gQ“乍r总孚曇ls-a8-MA=吨Ks!n我们看到：此序列显示整体上升趋势，即序列值随时间而增加。上升趋势似乎将持续，即为线性趋势。此序列还有一个明显的季节特征，即年度高点在十二月。季节变化显示随上升序列而

5、增长的趋势，表明是乘法季节模型而不是加法季节模型。此时，我们对时间序列的特征有了大致的了解，便可以开始尝试构建预测模型。时间序列预测模型的建立是一个不断尝试和选择的过程。了三大类预测方法：1-专家建模器，2-指数平滑法，3-ARIMA”口”口4讨佝岸剧豆慢骞自sau?务！r：冷后茫氓十；靖虽赧馬集鬥旳站.岳1丰Wttiso耳淆豊耳诞压規呻|测u討帥建J0动：Jtt忸.，歹TI*钳百恋imen：芟呈枷+试酥城岀血电舟缶序求灌过|YEAR,iffllDBfflQtHCrTEWtJJOJ/iRTEpencil4(OLiARKEF-JjMOHTMperiod1ONTW指数平滑法指数平滑法有助于预测存在

6、趋势和/或季节的序列，此处数据同时体现上述两种特征。创建最适当的指数平滑模型包括确定模型类型（此模型是否需要包含趋势和/或季节），然后获取最适合选定模型的参数。1-简单模型预测（即无趋势也无季节）首先我们采用最为简单的建模方法，就是简单模型，这里我们不断尝试的目的是让大家熟悉各种预测模型，了解模型在什么时候不适合数据，这是成功构建模型的基本技巧。我们先不讨论模型的检验，只是直观的看一下预测模型的拟合情况，最后我们确定了预测模型后我们再讨论检验和预测值。/j0jr|Jjftj=IJTflJiITnnrjHmufl刃11軒n灯口JIhqJnsi姦詐羽g辭訓翳詐聘騎課弱弱裁g饥aMMW-2MMK)r

7、KMWPO-9M渎测淇抡魏曳劉聳強+Ljun-Scx聊MBit蜩的打&FSig.鸟剜蜒枚2担世：_!0.妙(JOD从图中我们看到，虽然简单模型确实显示了渐进的上升趋势，但并不是我们期望的结果，既没有考虑季节性变化，也没有周期性呈现，直观的讲基本上与线性预测没有差异。所以我们拒绝此模型。2-Holt线性趋势预测Holt线性指数平滑法，一般选择：针对等级的平滑系数lapha=0.1,针对趋势的平滑系数gamma=0.2；:|戟眉遇n忤自吗3如KDDM-30000OQT30OQDJOt-iLjmn曲早3#门唧平歸R力境计StPFsig虽需憫朋-=!*SI4.773.-&J?MflV从上面的拟合情况看

8、，Holt预测模型更平滑了，也就是说Holt模型比简单模型显现了更强的平滑趋势，但未考虑季节因素，还是不理想，所以还应放弃此模型。简单季节性模型soaoo.ar10OGOW11聘哙Iq!Icom.oct如議舀-:IBH-B呂曲3即引LtftCF舸22.3F516J31|0当我们考虑了季节性变化后，简单季节性预测模型基本上较好的拟合了数据的大趋势，也就是考虑了趋势和季节。Winters相乘法预测模型我们再次选择Winters预测模型，实际上这时候非统计专业人士其实已经可以不用考虑Winters模型的原理了，因为对于大部分经营分析人员，如果期望把每一个预测方式的细节都搞清楚，并不容易，也容易陷入数

9、量层面的纠葛中，我们只要相信软件算法就可以了。30060.DQ110000.00iin!i肘野ME站铳JLhW-IUHLDIIUIIflIIJJ4OJG0.00-jia一世忡rFttffiRS-fHlDF340BB724443150此时，在数据集的时间跨度为10年，并且包含10个季节峰值（出现在每年十二月份）中，简单季节模型和Winters模型都扑捉到了这10个峰值与实际数据中的10个年度峰值完全匹配的预测结果。此时，我们基本上可以得到了一个比较满意的预测结果。此时也说明，无论采用指数平滑的什么模型，只要考虑了季节因素，都可以得到较好结果不同的季节性指数平滑方法只是细微差异了。但是，我们仔细看预测值和拟合值，还是有一些上升和下降的趋势和结构没有扑捉到。预测还有改进的需求！ARIMA预测模型ARIMA模型是自回归AR和移动平均MA加上差分考虑，但ARIMA模型就比较复杂了，对大部分经营分析人员来讲，要搞清楚原理和方程公式，太困难了！期望搞清楚的人必须学过随机过程，什么平稳过程、白噪声等，大部分人头都大了，现在有了软件就不问为什么了，只要知道什么数据In,什么结果Out，就可以了。我们采用专家建模器，但指定仅限ARIMA模型，并考虑季节性因素。月1此胳谨册|呻0,00X1,1月as口朗9自