如何使用SPSS做时间序列分析

如下实例用季节性预测求2005年各季度用电量，把数据输入到excel中
输入原始数据，计算三点平滑值，消除季节变动和不规则变动，保留长期趋势。
计算方法：2136=（435+2217+3756）/3
112233=（2217+3756+394）/3以此类推。
计算季节性指标：季节性指标=用电量÷三点滑动值。
计算季节性指标校正值：
校正系数=4÷季节性指标之和=4÷5525=072
校正后季节性指标=季节性指标校正系数
求预测模型：求出S1和s2同时也利用公式算出at和bt，α取02。
计算公式可参照下列表格也可自行百度。
求预测模型为：
求预测值。以2004年第4季度为基期，套用公式计算预测2005年各季度的旅游人数
第一季度：y=（643389+486611）042=290661
第二季度：y=（643389+3486612）099=1327304
第三季度：y=（643389+3486613）215=3632150
第四季度：y=（643389+3486614）044 =896735
由此可以计算出2005年全年度的游客人数预测值为：
y=四个季度相加=6146849 （10的四次方千瓦）

SPSS时间序列：应用时间序列模型
一、应用时间序列模型（分析-预测-应用模型）
“应用时间序列模型”过程从外部文件加载现有的时间序列模型，并将它们应用于活动数据集。使用此过程，可以在不重新建立模型的情况下获得其新数据或修订数据可用的序列的预测值。模型是使用时间序列建模器过程生成的。
1、示例。假定您是一家大型零售店的库存经理，您负责管理5,000种产品。您曾使用专家建模器创建了一些模型，用来预测每种产品在未来三个月的销售情况。您的数据仓库每个月都会使用实际销售数据进行刷新，您希望使用这些数据来生成每月更新预测值。通过应用时间序列模型过程，您可以使用原有模型，然后只需重新估计模型参数以说明新数据即可实现此预测。
2、统计量。拟合优度测量：平稳的R方、R方(R2)、均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对误差百分比(MAPE)、最大绝对误差(MaxAE)、最大绝对误差百分比(MaxAPE)、标准化BIC准则。残差：自相关函数、偏自相关函数、Ljung-Box Q。图。跨所有模型的摘要图：平稳的R方、R方(R2)、均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对误差百分比(MAPE)、最大绝对误差(MaxAE)、最大绝对误差百分比(MaxAPE)、标准化BIC准则的直方图；残差自相关和偏自相关的箱图。单个模型的结果：预测值、拟合值、观察值、置信区间的上限和下限、残差自相关和偏自相关。
二、统计量（分析-预测-应用模型-统计量）
1、比较模型的统计量。这组选项控制如何显示包含所有模型的统计量的表。每个选项分别生成单独的表。可以选择以下选项中的一个或多个：
11、拟合优度。固定的R方、R方、均方根误差、平均绝对误差百分比、平均绝对误差、最大绝对误差百分比、最大绝对误差以及标准化的BIC准则的摘要统计量和百分位数表。
12、残差自相关函数(ACF)。所有估计模型中残差的自相关摘要统计和百分位表。此表只在重新估计模型参数时可用（模型选项卡上的根据数据重新估计）。
13、残差部分自相关函数(PACF)。所有估计模型中残差的部分自相关摘要统计和百分位表。此表只在重新估计模型参数时可用（模型选项卡上的根据数据重新估计）。
2、个别模型的统计量。这组选项控制如何显示包含每个模型的详细信息的表。每个选项分别生成单独的表。可以选择以下选项中的一个或多个：
21、参数估计。显示每个模型的参数估计值的表。为指数平滑法和ARIMA模型显示不同的表。如果存在离群值，则它们的参数估计值也将在单独的表中显示。
22、残差自相关函数(ACF)。按每个估计模型的延迟显示残差自相关表。该表包含自相关的置信区间。此表只在重新估计模型参数时可用（模型选项卡上的根据数据重新估计）。
13、残差部分自相关函数(PACF)。按每个估计模型的延迟显示残差部分自相关表。该表包含部分自相关的置信区间。此表只在重新估计模型参数时可用（模型选项卡上的根据数据重新估计）。
3、显示预测值。显示每个模型的模型预测值和置信区间的表。
三、图表（分析-预测-应用模型-图表）
序列。选择（选中）此选项可获取每个模型的预测值的图。只有在重新估计模型参数时（模型选项卡上的根据数据重新估计），观察值、拟合值、拟合值的置信区间以及自相关才可用。可以选择在图中包含以下一项或多项：
◎观察值。相依序列的观察值。
◎预测值。预测期的模型预测值。
◎拟合值。估计期的模型预测值。
◎预测值的置信区间。预测期的置信区间。
◎拟合值的置信区间。估计期的置信区间。
残差自相关函数(ACF)。显示每个估计模型的残差自相关图。
残差部分自相关函数(PACF)。显示每个估计模型的残差部分自相关图。
四、输出过滤（分析-预测-应用模型-输出过滤）
1、最佳拟合模型。选择（选中）此选项将在输出中包含最佳拟合模型。选择拟合优度测量并指定要包含的模型数。选择此选项不妨碍同时选择最差拟合模型。如果同时选择两者，则输出将由最差拟合模型和最佳拟合模型组成。
11、模型的固定数量。指定为n个最佳拟合模型显示结果。如果指定的数量超过模型的总数，则显示所有模型。
12、占模型总数的百分比。指定为其拟合优度值在所有模型的前n个百分比范围内的模型显示结果。
2、最差拟合模型。选择（选中）此选项将在输出中包含最差拟合模型。选择拟合优度测量并指定要包含的模型数。选择此选项不妨碍同时选择最佳拟合模型。如果同时选择两者，输出将由最佳拟合模型和最差拟合模型组成。
21、模型的固定数量。指定为n个最差拟合模型显示结果。如果指定的数量超过模型的总数，则显示所有模型。
22、占模型总数的百分比。指定为其拟合优度值在所有模型的后n个百分比范围内的模型显示结果。3、拟合优度。选择用于过滤模型的拟合优度测量。缺省值为固定的R方。

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。

SPSS主要的 *** 作选项在SPSS->Analyse分析->TimeSeries时间序列分析。先要对序列数据零均值化处理，检验数据是否符合正态分布，再检验数据的平稳性，如果平稳可以用ARMA模型，如果不平稳如果做检验，则需要进行差分来平稳化，用ARIMA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。

---