8.3专家建模法

8.3.1时间序列预测步骤

1.绘制时间序列图观察趋势

2.分析序列平稳性并进行平稳化

3.时间序列建模分析

4.模型评估与预测

平稳性

（平稳性，就是所有统计性质都不会随着时间的退役为发生变化）

特征：

1.均数和方差不会随时间变化

2.自相关系数至于时间间隔有关，与所处的时间无关

自相关系数

一个序列中不同时期的相关系数，也就是对时间序列计算其当前期和不同滞后期的一系列相关系数

时间序列平稳化的方法

差分;就是指序列中前后相邻的俩期数据之差，一般用“”

８.３.２时间序列分析操作

分析－－时间序列预测－－创建传统模型－－【时间序列建模器】

时间序列建模器对话框

--将销售数据移置【因变量】框中--确认中间的【方法】，在下拉列表中选择【专家建模器】项--单击右侧的【条件】按钮--弹出【时间序列建模器：专家建模器】--

时间序列建模器

【时间序列建模器：专家建模器条件】对话框的【模型】选项卡中--在【模型类型】框中选择【所有模型】项--并勾选【专家建模器考虑季节性模型】---继续

时间序列建模器：专家建模器条件

【时间序列建模器】--保存--预测值--【导出模型文件】框中【XML文件】后面的【浏览】按钮--设置导出的模型文件名及保存路径，设置完成后--【确定】按钮--spss就开始使用专家建模方法进行时间序列分析了。

时间序列建模器[保存]选项卡

8.3.3时间序列分析结果解读

1.模型描述:（该结果显示了经过分析得到的最有时间序列模型及其参数。本例中，最优的时间序列模型ARIMA（0,1,1）（0,1,1）

时间序列分析输出结果１

ARIMA模型是时间序列分析中常用的一种模型，其全程为求和自回归移动平均模型

模型形式：ARIMA（ｐ，ｄ，ｑ）（Ｐ，Ｄ，Ｑ）

该模型有6个参数前三个参数（p,d,q）针对移除季节性变化后的序列，后三个参数（P,D,Q）主要用来描述季节性变化，俩个序列是相乘的关系，因此该模型也称为符合的季节模型

其中：

p:是指移除季节性变化后的序列所之后的p期，取值通常为0或1，大于0或1，大于1的情况较少

d:是指移除季节性变化后的序列进行了d阶差分，取值通常为0,1,2；

q:是指移除季节性变化后的序列进行了q次移动平均，取值通常为0或1，很少会超过2

大写的P,D,Q的含义相同，只是应用在包含季节形变化的序列上。

本例中，该模型可解读为，对移除季节因素的序列和包含季节因素的序列分别进行一阶差分和一次平均移动平均，综合俩个模型而构建出的时间序列模型

第二个输出结果是“模型拟合度”如图所示，该结果主要通过R2或平稳的R2来评估模型拟合优度，以及在比较多个模型的情况下，通过比较统计两个从而找到最有的模型