用spss进行时间序列模型分析

1、时间序列分析的简要介绍

2、首先进行数据预处理，对于缺失值不可直接删除，要做进一步的补充，【转换】--【替换缺失值】，可以有多种选择来替换缺失值。给每条案例建立时间，【数据】--【定义日期】

3、引入案例！

4、做图形观察，【分析】--【预测】--【序列图】

5、然后再创建时间序列！

前后相邻两个数值之差

6、如果上升速度一致的话，那么nrc-1的数值图应该是较平的！

对nrc-1作图分析，结果可以看出：虽然没有上升和下跌的趋势了，还是具有周期性，接着进行季节差分！观察季节性差分的分布状况

7、可以做图分析！

8、这个方法与刚才的两步操作结果完全一致

9、时间序列模型简介！接着进行自相关分析，【分析】--【预测】--【自相关】。

H0：不相关

P值均小于0.05说明这个序列不是白噪声

这些数据间是有关联性的

是有自相关的

10、把这个结果绘制成图形

直条高低代表自相关系数的大小，

横轴1-16代表自相关的阶数

上下线之间的为不具有统计学意义的

11、去除自相关系数的关联性传递性之后，用偏自相关系数考察剩余的相关性是否还存在

12、时间序列趋势的图形化观察

13、AR自回归模型

14、【分析】--【预测】--【创建模型】并进行相关参数的设置

15、得到结果：

平稳的R方：决定系数，现有模型所能够解释的原变量的多少变异（较客观）。R方：原数据去掉季节趋势，波动趋势，周期趋势之后的变异解释度（偏高）。RMSE：残差均方。

MAPE：平均相对误差。

MAXApe：最大的相对百分比误差。

MAE：平均实测误差。

MAXAE：最大的绝对误差

H0未被拒绝。H0:当前的模型剩下来的这一块是否被看成是白噪声序列。

16、模型已经建立出来未被使用，接下来进行预测！

17、观察原始序列和预测值的状况

18、预测未来