spss 时间序列分析

目录

定义日期标示变量

了解序列发展趋势

季节因素分解

时间序列预测操作

预测


spss 时间序列分析_第1张图片

定义日期标示变量

【数据】【定义日期和时间】

由于数据起始是2004年1月,选择【年,月】项,右侧输入对应年月,【确定】会出现三个变量

spss 时间序列分析_第2张图片

spss 时间序列分析_第3张图片

 

 

了解序列发展趋势

【分析】【时间序列预测】【序列图】

将“销售数据移至”【变量】,‘DATE_’变量移至【时间轴标签】【确定】

spss 时间序列分析_第4张图片

spss 时间序列分析_第5张图片

通过序列图,发现时间序列趋势:

  • 如果随着时间的推移,序列的季节波动变得越来越大,建议使用乘法模型
  • 如果季节波动基本能维持恒定,加法模型

 

 

季节因素分解

【分析】【时间序列预测】【季节性分解】

‘销售数据’移至右侧【变量框中】,根据上述图选择【乘性】【确定】生成四个新增变量

  • 误差序列(前缀-ERR):从时间序列中移除季节变动,长期趋势和循环变动因素之后留下的序列
  • 季节因素校正后序列(前缀-SAS):移除原始序列季节因素之后的校正序列
  • 季节因子(SAF):从序列中分解出来的姐姐因素,其中变量值根据季节周期的变动进行重复
  • 长期趋势和循环趋势变动序列(STC):原始序列中的长期趋势和循环因素构成的序列

spss 时间序列分析_第6张图片

 

 

 

时间序列预测操作

【分析】【时间序列预测】【创建传统模型】

spss 时间序列分析_第7张图片

‘销售数据’移至【因变量】,确认中间【方法】选择【专家建模器】【条件】勾选【专家建模器考虑季节性模型】【继续】

spss 时间序列分析_第8张图片

保存 xml 文件,spss 就开始使用专家建模方法进行时间序列预测分析了

spss 时间序列分析_第9张图片

 

预测

【分析】【时间序列预测】【应用传统模型】打开刚刚 xml 文件,输入结束时间,保存,勾选【预测值】

spss 时间序列分析_第10张图片

spss 时间序列分析_第11张图片

 

 

 

 

 

 

 

 

 

 

 

 

 

你可能感兴趣的:(spss)