【正文】 電子工業(yè)出版社 13 主成分分析 第 1步 分析： 從數(shù)據(jù)來看，一共有 15個因素，但有些因素是存在相關(guān)性的，同時各因素對全球化影響的程度也是不一樣的，故可采用主成分分析。由于主成分的得分需要對因子得分情況進(jìn)行進(jìn)一步計算，故不需設(shè)置 “ 得分 ” 子對話框，即不需保存因子得分情況，即使保存了，因子得分也不是各主成分得分的結(jié)果。 從表中可以看出前 3個主成分已經(jīng)解釋了總方差的近 %，故可以選擇前 3個主成分進(jìn)行分析。 說明： ?教材中公式 是標(biāo)準(zhǔn)化正交向量，并不是 SPSS輸出“因子載荷矩陣”中的系數(shù)。 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 20 主成分分析 第六步 主要結(jié)果： y綜編號 國家 y1 y2 y3 1 中國 2 印度 3 日本 4 韓國 5 新加坡 6 美國 7 加拿大 8 巴西 9 墨西哥 10 英國 11 法國 12 德國 13 意大利 14 俄羅斯 15 澳大利亞 16 新西蘭 過綜合得分的高低可知各國參與國際化水平的高低，其中美國最高，印度最低。 第 3步 因子分析設(shè)置： 按“分析 → 降維 → 因子分析”打開“因子分析”對話框，將 x1～ x15這 15個變量移入“變量”對話框中，表示對這 15個變量數(shù)據(jù)進(jìn)行因子分析。 成分 1 2 3 x1 .973 .052 x2 .919 .036 x3 .883 .334 x4 .985 x5 .482 .497 x6 .947 .131 x7 .972 .178 x8 .849 .340 x9 .300 .834 .386 x10 .611 .637 .399 x11 .955 x12 .992 x13 .876 .205 x14 .968 .032 x15 .859 提取方法 ：主成分。 成分 1 2 3 x1 .936 .286 .130 x2 .776 .459 .202 x3 .924 .016 .251 x4 .867 .413 .221 x5 .068 .940 .180 x6 .966 .177 .095 x7 .944 .202 .235 x8 .541 .726 .327 x9 .018 .137 .956 x10 .377 .172 .876 x11 .794 .558 .118 x12 .913 .365 .161 x13 .937 .071 .084 x14 .926 .301 .119 x15 .705 .626 提取方法：主成分。 成分 1 2 3 1 .884 .403 .239 2 .400 .822 3 .236 .517 提取方法：主成分。使用“定義日期”對話框定義日期變量，需要在數(shù)據(jù)窗口讀入一個按某種時間順序排列的數(shù)據(jù)文件，數(shù)據(jù)文件中的變量名不能與系統(tǒng)默認(rèn)的時間變量名重復(fù)，否則系統(tǒng)建立的日期變量會覆蓋同名變量。這就需要在已經(jīng)建立的時間序列數(shù)據(jù)文件中，再建立一個新的時間序列變量。試用指數(shù)平滑法對上海市的“年末人口數(shù)”進(jìn)行預(yù)測分析。 從此圖可以看出，年末人口數(shù)呈逐年增加趨勢，開始增長較快，然后變慢，近似線性趨勢，也可以說呈衰減的線性趨勢，或者用指數(shù)趨勢描述更準(zhǔn)確。具體設(shè)置如幾下幾張圖所示： SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 43 指數(shù)平滑法 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 44 指數(shù)平滑法 第 5步 主要結(jié)果及分析： ?模型的描述表 模型類型 模型 ID 年末人口數(shù) 模型 _1 Holt 表示對“年末人口數(shù)”變量進(jìn)行指數(shù)平滑法處理，使用的是“ Holt”模型。 ?指數(shù)平滑法擬合的模型參數(shù)表 模型 預(yù)測變量數(shù) 模型擬合統(tǒng)計量 LjungBox Q(18) 離群值數(shù) R方 正態(tài)化的 BIC 統(tǒng)計量 DF Sig. 年末人口數(shù) 模型 _1 0 .995 16 .989 0 模型 估計 SE t Sig. 年末人口數(shù) 模型_1 無轉(zhuǎn)換 Alpha（水平） .157 .000 Gamma（趨勢） .799 .300 .013 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 46 指數(shù)平滑法 ?預(yù)測表 表中給出了 2020～ 2020年“年末人口”變量的預(yù)測值、上區(qū)間和下區(qū)間值。 ARIMA(p, d, q)模型的實質(zhì)就是差分運算與 ARMA(p, q)模型的組合，即 ARMA(p, q)模型經(jīng) d次差分后，便為ARIMA(p, d, q)。 模 型 自相關(guān)函數(shù)（ ACF） 偏自相關(guān)函數(shù)（ PACF） AR(p) 拖尾 p階截尾 MA(q) q階截尾 拖尾 ARMA(p, q) 拖尾 拖尾 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 52 ARIMA模型 基本概念及統(tǒng)計原理 說明： 所謂拖尾是自相關(guān)系數(shù)或偏相關(guān)系數(shù)逐步趨向于 0，這個趨向過程有不同的表現(xiàn)形式，有幾何型的衰減，有正弦波式的衰減；而所謂截尾是指從某階后自相關(guān)或偏相關(guān)系數(shù)為 0。季節(jié)性乘積模型表示為 ARIMA(p, d, q, sp, sd, sq)（或 ARIMA(p, d, q) (sp, sd, sq)k）。其中前兩個階段可能需要反復(fù)進(jìn)行。 天 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 燃油數(shù)據(jù) 92 85 80 12 10 3 1 2 0 90 100 40 2 20 78 98 9 75 65 天 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 燃油數(shù)據(jù) 80 20 85 0 1 150 100 135 70 60 50 30 10 3 65 10 8 10 10 天 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 燃油數(shù)據(jù) 25 90 30 32 15 20 15 90 15 10 8 8 0 25 120 70 10 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 57 ARIMA模型 第 1步 數(shù)據(jù)組織： 將數(shù)據(jù)組織成兩列，一列是“天數(shù)”，另一列是“燃油量”，輸入數(shù)據(jù)并保存，并以“天數(shù)”定義日期變量。 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 58 ARIMA模型 ?再做自相關(guān)圖和偏自相關(guān)圖進(jìn)一步分析。根據(jù)這個特點可以判斷該序列具有短期相關(guān)性，進(jìn)一步確定序列平穩(wěn)。設(shè)置過程與圖 117類似，并選擇“方法”下的“ ARIMA”模型。如果時間序列有季節(jié)性因素，還需設(shè)置“季節(jié)性”參數(shù) sp，sd和 sq。 ?其他選項卡的設(shè)置讀者可參照例 114進(jìn)行。 估計 SE t Sig. 燃油量 模型_1 燃油量 無轉(zhuǎn)換 常數(shù) .869 .389 AR 滯后 1 .127 .004 可以看出， AR(1)模型的參數(shù)為 ，參數(shù)是顯著的，常數(shù)項為 ，不顯著，這里仍然保留常數(shù)項。 第 2步 觀察數(shù)據(jù)序列的性質(zhì)： 對銷售額作時序圖，具體見下圖。 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 65 時序序列的季節(jié)性分解 第 3步 季節(jié)性分析設(shè)置： 按“分析 → 預(yù)測 → 季節(jié)性分解”順序打開“周期性分解（季節(jié)性分解）”對話框，并按下圖進(jìn)行設(shè)置。 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 67 時序序列的季節(jié)性分解 第 4步 主要結(jié)果及分析： ?數(shù)據(jù)文件的數(shù)據(jù)視圖 從該圖中可以看到，數(shù)據(jù)文件中增加了 4個序列： ERR_1表示“銷售額”序列進(jìn)行季節(jié)性分解后的不規(guī)則或隨機波動序列； SAS_1表示“銷售額”序列進(jìn)行季節(jié)性分解除去季節(jié)性因素后的序列； SAF_1表示“銷售額”序列進(jìn)行季節(jié)性分解產(chǎn)生的季節(jié)性因素序列； STC_1表示“銷售額”序列進(jìn)行季節(jié)性分解出來的序列趨勢和