spss入门——简单的数据预处理到时间序列分析系列(六)
简单的数据预处理到时间序列分析
spss数据预处理到时间序列分析
(六)季节分解
得到时间序列图后就可以进行季节分解了
通常情况下进行季节因素分解,将季节变动因素从原时间序列中去除,生成由剩余三种因素构成序列满足后续分析需求。对时间序列预测时,应考虑将上述四种因素分解出来。分解之后,能够克服其他因素的影响,仅仅考量一种因素对时间序列的影响。分解后可分析之间相互作用,及对时间序列综合影响。当去掉这些因素,可更好进行时间序列间比较,更加客观的反映事物变化发展规律。分解后,序列可建立回归模型,提高预测精度。
根据我们前面得到的时间序列图观察的规律,判断是否需进行季节性分解,显然是需要的。
另外注意随着时间推移,序列季节波动越来越大,用乘法模型更精确,否则用加法模型。
具体的操作可以看下面的图
完成后就到了下面图中的状态
会新生成四个变量,ERR,误差序列,时间序列移除季节因素、长期趋势、和循环变动后留下的序列,是原始序列中不规则变动构成序列;SAS,季节因素校正后序列,是移除原始序列中的季节因素后的校正序列;SAF,季节因子,是从序列中分解出的季节因素。变量值据季节周期变动重复;STC,长期趋势和循环变动趋势,这是原始序列中长期趋势和循环变动构成的序列。
结果如下:
这是我们进行季节分解后的数据
为了用图形更直观的展示结果,我们可以通过绘制序列图方法把原始和除去季节因子的序列(误差序列、季节因素校正后序列、长期无视和循环变动序列)进行比较。具体操作如下:
得到结果:
我们的图形化结果:
分析:
蓝色线:原始序列
紫色线:长期趋势和循环变动序列
浅棕色:季节因素校正后序列
绿色线:误差序列(不规则变动)
可见误差序列数值非常小,所以长期趋势和循环变动序列与季节因素校正后序列能够基本重合,在这之后再单独做”季节因子SAF“的序列图。注意,做‘季节因子’的序列图时,只有一个变量‘季节因子SAF’
操作如下:
得到我们得结果:
我们的图形结果:
可见此时序列比较规律,平稳性较好,时间序列分析完成后平稳化建立模型,根据SAF_1图形规律选择建模方法,如图73-79平稳性主要指序列所有统计性质不会随时间推移变化,平稳的时间序列具备以下特征。均数和方差不随时间变化,自相关系数只与时间间隔有关,与所处时间无关。其中,自相关系数是研究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和不同滞后期的一系列相关系数。平稳方法,差分,即序列中相邻的两期数据之差。一次差分=Yt-Yt-1,二次差分=(Yt-Yt-1)-(Yt-1-Yt-2)。在spss中平稳化操作过程可用专家建模法自动处理,我们只需要根据模型结果分析出序列经过几阶差分即可。
那么下一步就是构建我们的模型了!!!
选择专家建模器
导出模型文件
勾选”预测值“,可用以生成预测值,保存模型
得到结果
模型描述中为‘简单’,所以只用了一阶差分,R方7%,拟合效果较好。杨-博克斯Q(18)统计量显著性P=0.735,大于0.05(P>0.05期望得到结果),所以接受原假设,认为这个序列残差符合随机分布,没有离群值出现,反映出数据拟合效果可以接受。
下面是我们的拟合图,建立的模型时间序列曲线
附加
我们的得到的时间序列预测模型文件(XML)长这样
OK,到这里,我们可以用得到的模型去预测了~~
spss入门——简单的数据预处理到时间序列分析系列(六)相关推荐
- spss入门——简单的数据预处理到时间序列分析系列(四)
简单的数据预处理到时间序列分析 spss数据预处理到时间序列分析 (四)曲线拟合 在数据插补之前一定要找找数据的变化趋势,通常数据拟合就是一个较好的方案. 散点进行曲线拟合的方法 根据前面所画散点图, ...
- spss入门——简单的数据预处理到时间序列分析系列(二)
简单的数据预处理到时间序列分析 spss数据预处理到时间序列分析 (二)时间变量生成及绘制散点图 时隔这么久终于又和大家见面了( ̄▽ ̄)~*,咱们继续我们的内容 在完成数据导入后,就可以开始下一步的准 ...
- spss入门——简单的数据预处理到时间序列分析系列(七)
spss数据预处理到时间序列分析 (七)预测 呼~,终于到了我们的这个系列的结尾了,预测2016的数据!! 应用所建立的模型分析预测2016的数据(原因:数据为编撰的,只到2015年) 操作完以后到了 ...
- arima 数据预处理_时间序列分析|ARIMA模型分步骤解析及R中实践
你是否想要做时间序列分析,但却不知道代码怎么写? 你是否不清楚时间序列分析各种模型该在什么情况下使用? 本文将针对以上两个问题,带你入门时间序列分析~ 等等! 不止'入门' 读完这篇,你立即就能在R中 ...
- Python数据分析入门笔记4——数据预处理之重复值
系列文章目录 Python数据分析入门笔记1--学习前的准备 Python数据分析入门笔记2--pandas数据读取 Python数据分析入门笔记3--数据预处理之缺失值 Python数据分析入门笔记 ...
- Python数据分析入门笔记5——数据预处理之异常值
系列文章目录 Python数据分析入门笔记1--学习前的准备 Python数据分析入门笔记2--pandas数据读取 Python数据分析入门笔记3--数据预处理之缺失值 Python数据分析入门笔记 ...
- Python数据分析入门笔记9——数据预处理案例综合练习(男篮女篮运动员)
系列文章目录 Python数据分析入门笔记1--学习前的准备 Python数据分析入门笔记2--pandas数据读取 Python数据分析入门笔记3--数据预处理之缺失值 Python数据分析入门笔记 ...
- 数据可视化 | Tableau从入门到高手 入门联接关系数据预处理
Tableau 人人可用.处处可用的分析 Tableau 是一个可视化分析平台,它改变了我们使用数据解决问题的方式,使个人和组织能够充分利用自己的数据.利用 Tableau 查看并理解任何数据. Ta ...
- 【自动驾驶模拟器AirSim快速入门 | 02】数据预处理:数据挖掘与准备
这是机器未来的第16篇文章 原文首发地址:https://blog.csdn.net/RobotFutures/article/details/125321082 开源项目: 项目地址:https:/ ...
- 你以为的SPSS只是简单的数据分析软件吗?
如果你以为,SPSS只是一个表格界面.添加数据然后进行算法的分析软件.那你基本已经忽略了它其他的才华.Spss的功能不仅限于分析计算,它还有商业智能.预测分析.财务绩效与战略管理的能力.不但能提供对当 ...
最新文章
- 需要反射时使用dynamic
- Node.js~在linux上的部署~外网不能访问node.js网站的解决方法
- java中使用Semaphore构建阻塞对象池
- 解决linux下source /etc/profile关闭终端失效问题
- port wifi to ICS(4.0.3)
- 计算机科学技术的教育应用论文,浅谈计算机科学技术在计算机教学中的应用论文...
- 透视变换矩阵(单应矩阵)计算:findHomography 与 getPerspectiveTransform
- 自下而上、从右往左层次遍历
- arm linux docker,ARM64上的Docker编译与安装
- 计算机无法复制大文件格式,U盘复制文件电脑提示文件过大无法复制怎么解决?...
- 期货基础知识 第四节 期货交易流程
- Flink 系例 之 Fold
- 数据分析的思维逻辑步骤
- 苹果手机热点连上不能上网_「手机自学维修教程」苹果6plus手机屏幕触摸不能用的通病分析...
- 北京邦威思创科技有限公司 招聘要求
- jmeter利用取样器中http发送请求(2)·
- DOS命令篇(find 和 findstr)
- jstree获得节点的值
- 虚拟机:host-only
- (转载)比较流行的手机开发平台综述
热门文章
- Chrome不保留历史记录,常规模式下不保留历史记录
- yjv是电缆还是电线_yjv电缆中的yjv是什么意思?yjv与yjv22电缆区别有哪些?
- 502 (Bad Gateway) 原因及解决方法
- [生存志] 第140节 武帝定十三州
- 大功率H桥电机驱动板电路设计方案 此大功率直流电机驱动板采用ir2103驱动芯片
- 数字孪生中的人工智能——技术现状、挑战和未来研究课题
- Spring总结一(整体概览)
- D轮融资7.5亿美元,十荟团能否比拼估值80亿美元的兴盛优选
- 服务器过载或维修,服务器过载怎么解决
- 服务器主机防护系统有哪些,什么是DDoS防护主机?