用spss怎么做向量自回归模型

这个可以在非线性回归中直接做,如果你不会,可以先将这些非线性模型转换成线性的再进行回归比如第二个模型,你先将ln(8-Q)求出来,记作Y,然后再用Y=-kt进行线性回归,不知道你是否明白我的意思,这样就可以得到

打开你要建模的序列,假设是x,点这个变量窗口工具栏里的view-correlogram
这里有几个参数：level=0,表示对原序列作图,1st difference=1表示对一阶差分作图,2nd表示对二阶差分作图,lags表示最大滞后阶数使用默认参数就可以有时候可能会出现near singular matrix的错误,你可以随意调整lags的取值,直到OK就行
搞定,看到两个图,autocorrelation自相关图,partical correlation偏自相关图,图上有显著性检验的临界值界线怎么用自相关图和偏自相关图分别判断ma和ar的滞后阶数,相信你是知道的吧
好了,假设你根据这两个图判断出的ma、ar滞后阶数分别是q=2,p=3
所以要建立的模型是ar(2)ma(3)
主窗口的工具栏里,注意是主窗口哦,点击quick-estimate equation,在里面输入x ar(1) ar(2) ma(1) ma(2) ma(3),其他参数默认,OK就可以看到基本的模型了,注意上面输入的变量之间是空格,没有分隔符号
如果p和q的取值不明确,可以多尝试几个p和q的可能组和,看看相关检验的显著性,关键比较结果中的AIC和sc,越小越好
麻烦的地方是：
要是你的序列不平稳,需要建立arima模型,这时就要看1st differece甚至2nd difference的图形
要是涉及12阶滞后自相关或偏自相关显著,就要动用sarima模型了,做起来容易,可不容易讲清楚啦
你只要求arma模型,估计是不需要用arima和sarima模型的吧

时间序列模型
间序列分析
在生产和科学研究中，对某一个或一组变量x(t)进行观察测量，将在一系列时刻t1, t2, …, tn (t为自变量且t1<t2<…< tn ) 所得到的离散数字组成序列集合x(t1), x(t2), …, x(tn)，我们称之为时间序列，这种有时间意义的序列也称为动态数据。这样的动态数据在自然、经济及社会等领域都是很常见的。如在一定生态条件下，动植物种群数量逐月或逐年的消长过程、某证券交易所每天的收盘指数、每个月的GNP、失业人数或物价指数等等。
时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法（如非线性最小二乘法）进行。时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。
时间序列建模基本步骤是：①用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。 ②根据动态数据作相关图，进行相关分析，求自相关函数。相关图能显示出变化的趋势和周期，并能发现跳点和拐点。跳点是指与其他数据不一致的观测值。如果跳点是正确的观测值,在建模时应考虑进去,如果是反常现象，则应把跳点调整到期望值。拐点则是指时间序列从上升趋势突然变为下降趋势的点。如果存在拐点，则在建模时必须用不同的模型去分段拟合该时间序列，例如采用门限回归模型。③辨识合适的随机模型,进行曲线拟合,即用通用随机模型去拟合时间序列的观测数据。对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列，可用通用ARMA模型（自回归滑动平均模型）及其特殊情况的自回归模型、滑动平均模型或组合-ARMA模型等来进行拟合。当观测值多于50个时一般都采用ARMA模型。对于非平稳时间序列则要先将观测到的时间序列进行差分运算，化为平稳时间序列，再用适当模型去拟合这个差分序列。
时间序列分析主要用于：①系统描述。根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述。②系统分析。当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理。③预测未来。一般用ARMA模型拟合时间序列，预测该时间序列未来值。④决策和控制。根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。
DPS数据处理系统提供给用户一套较完整的时间序列建模分析、进行预测预报的工具，包括平稳无趋势时间序列分析预测、有趋势的时间序列预测、具季节性周期的时间序列预测以及差分自回归滑动平均(ARIMA)建模分析、预测等时间序列分析和建模技术。

---