在SPSS中时间序列分析怎么做

1、在SPSS里面导入Excel里面的一组测试数据做时间序列分析，在显示的对话框中“打开现有数据源”下面选择excel文件。

2、在d出的“打开Excel数据源”框内，“工作表”下面选择输入数据的Excel sheet表格，单击“确定”。

3、查看导入的数据，点击左下角“数据视图”，查看原数据。

4、检验数据是否符合正态分布，检验数据的平稳性。平稳用ARMA模型，利用自相关和偏相关图确定模型的参数，再通过参数检验和信息准则选择最优的模型。

首先，我们在SPSS里面导入Excel里面的一组测试数据用来做时间序列分析。在如图所示的对话框中“打开现有数据源”下面选择图示的excel文件。

02

然后在d出的“打开Excel数据源”框内，“工作表”下面选择你输入数据的Excel sheet表格，单击“确定”。

03

接着，我们需要查看我们导入的数据，比如是否有缺失数据，数据的分布是怎么样的。方法一：点击左下角“数据视图”，查看原数据（使用数据不多的情况）；方法二：依次点击“分析-描述统计-描述“查看数据情况（数据多的情况下推荐）。

数据预处理

01

在完成上面的步骤后，做时间序列分析前需要对数据进行一个预处理，即为数据定义日期。

02

首先，我们在如图所示的菜单上依次点击“数据--定义日期”。

03

接着，我们在d出的“定义日期”对话框内，设置日期的格式。在图示的案例中，我们现在“年份，月”作为日期格式。

04

确定日期格式后，我们在SPSS数据表格里面的“数据视图”可以看到新插入的日期“Year”“Month”“Date”（新变量默认名称）。

时间序列分析-指数平滑法

01

首先，我们利用指数平滑法时间序列分析。指数平滑法的使用特点是将较大的权数放在最近的资料。

02

我们依次点击第一排菜单栏里面的“分析-预测-创建模型”，d出“时间序列建模器”。

03

现在进行一些设置：在“变量”选项下，将需要进行时间序列预测的变量拖入图示的“因变量”框内；在方法中，选择“指数平滑法”。

04

其他的一些设置包括【统计量】，我们勾选“平稳的R方”“拟合优度”“显示预测值”；在【图表】中选“观察值”“预测值”“拟合值”；在【保存】中勾选“预测值”；在【选项】下填写我们需要预测到的指定日期。

05

全部设置完成后，点击【确定】，即可在输出文档里面看到时间序列建模程序显示的结果（右击结果图表可以复制，导出到Excel等 *** 作）。

时间序列分析-ARIMA模型

01

我们还可以使用ARIMA模型来进行时间序列的预测，使用的特点是将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归, p为自回归项MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。

02

使用的方法和上面的类似，依次点击第一排菜单栏里面的“分析-预测-创建模型”，d出“时间序列建模器”。

03

由于在指数平滑法中我们做了设置，这里就不需要再次设置。这里需要的设置是把【变量】下面的自变量拖入【因变量】框内和【自变量】框内，然后在方法中选择“ARIMA”即可。

04

全部设置完成后，单击确定，即可在刚才的输出文档里面看到使用ARIMA模型的预测结果（同样，这些结果右击可以进行复制导出等 *** 作）。

SPSS转换菜单：创建时间序列

1、概念：“创建时间序列”对话框允许您基于现有数值型时间序列变量的函数创建新的变量。这些转换后的值在时间序列分析中非常有用。

2、 *** 作：转换-创建时间序列

3、说明：时间序列转换函数如下：

◎差分。序列中相邻值之间的非季节性差异。阶数为用于计算差分的以前值个数。由于每阶差分丢失一个观察值，因此系统缺失值会出现在序列开头。例如，如果差分阶数为2，则前两个个案会包含新变量的系统缺失值。

◎季节性差分。相隔恒定距离的序列值之间的差分。该跨度基于当前定义的周期。要计算季节性差分，您必须定义日期变量（“日期”菜单，“定义日期”），其中包括周期性成分（例如一年中的月份）。阶数为用于计算差分的季节性周期个数。在序列开头，带有系统缺失值的个案个数，等于阶数乘以周期。例如，如果当前周期为12，且阶数为2，则前24个个案会包含新变量的系统缺失值。

◎中心移动平均数。当前序列值与其周围某个跨度内序列值的平均值。跨度为用于计算平均值的序列值个数。如果跨度为偶数，则移动平均数通过对每组非中心平均值求平均值而得出。在跨度为n的序列开头和末尾，带有系统缺失值的个案个数，等于n/2（偶数跨度值）和(n–1)/2（奇数跨度值）。例如，如果跨度为5，则在序列开头和末尾带有系统缺失值的个案个数为2。

◎前移动平均数。当前序列值之前的序列值的平均值。跨度为用于计算平均值的前面序列值个数。在序列开头，带有系统缺失值的个案个数，等于跨度值。

◎移动中位数。当前序列值与其周围某个跨度内序列值的中位数。跨度为用于计算中位数的序列值个数。如果跨度为偶数，则中位数通过对每组非中心中位数求平均值而得出。在跨度为n的序列开头和末尾，带有系统缺失值的个案个数，等于n/2（偶数跨度值）和(n–1)/2（奇数跨度值）。例如，如果跨度为5，则在序列开头和末尾带有系统缺失值的个案个数为2。

◎累积和。当前序列值与其周围序列值的累积和。

◎延迟。根据指定的延迟阶数，上一个个案的值。阶数为从中获取值的当前个案之前的个案个数。在序列开头，带有系统缺失值的个案个数，等于阶数值。

◎提前。根据指定的提前阶数，后一个个案的值。阶数为从中获取值的当前个案之后的个案个数。在序列末尾，带有系统缺失值的个案个数，等于阶数值。

◎平滑。基于复合数据平滑器的新序列值。平滑器从移动中位数4开始，由移动中位数2居中。然后，它再通过移动中位数5、移动中位数3和Hanning加权平均，重新对这些值进行平滑。从原始序列中减去平滑后的序列，计算得出残差。然后对计算得出的残差重复这整个过程。最后，减去该过程首次获得的平滑值，得到平滑残差。这有时也称为T4253H平滑。

---