xxxx數(shù)據(jù)分析方法12-時間序列分析1-免費閱讀
【正文】 2023年 2月 9日星期四 上午 2時 12分 48秒 02:12: 1最具挑戰(zhàn)性的挑戰(zhàn)莫過于提升自我。 2023年 2月 9日星期四 2時 12分 48秒 02:12:489 February 2023 1空山新雨后，天氣晚來秋。 上午 2時 12分 48秒 上午 2時 12分 02:12: 沒有失敗，只有暫時停止成功！。 , February 9, 2023 雨中黃葉樹，燈下白頭人。 ? 趨勢外推法 認(rèn)為事物的內(nèi)在發(fā)展規(guī)律是與時間本身的推移相關(guān)聯(lián)的 ， 可以建立序列與時間 t的函數(shù)關(guān)系來反映事物發(fā)展的規(guī)律 ， 并用于對未來的預(yù)測 。 基本操作步驟如下： 1) 轉(zhuǎn)換 ?創(chuàng)建時間序列 。 ?向前移動平均法 (Prior moving average) 若指定時間跨度為 k， 則用當(dāng)前值前面 k個數(shù)據(jù) (注意：不包括當(dāng)前值 )的平均值代替當(dāng)前值 。 序列的平衡化處理目的 是使處理后的序列成為平穩(wěn)序列 。 39 3. 繪制互相關(guān)圖的基本操作 1) 分析 ?預(yù)測 ?互相關(guān)圖 。 一般可同時繪制兩種圖形 。 3) 在 時間軸標(biāo)簽 Time Axis Labels框中指定橫軸（時間軸）標(biāo)志變量。 32 ?游程檢驗法 。 互相關(guān)圖是依據(jù)互相關(guān)函數(shù)繪制出來的 。 但實際當(dāng)中序列多少會有一些相關(guān)性 ， 但一般會落在置信區(qū)間內(nèi) ， 同時沒有明顯的變化規(guī)律 。 異常值是 那些由于外界因素的干擾而導(dǎo)致的與序列的正常數(shù)值范圍偏差巨大的數(shù)據(jù)點 。 SPSS將在當(dāng)前數(shù)據(jù)編輯窗口中自動生成標(biāo)志時間的變量。 ? 在 Data和 Transform中 實現(xiàn)對時間序列數(shù)據(jù)的定義和必要處理 ， 以適應(yīng)各種分析方法的要求； 16 ?在分析 ?預(yù)測 中 主要提供了幾種時間序列的分析方法 ， 包括指數(shù)平滑法 、 ARIMA模型和季節(jié)調(diào)整方法； ?在分析 ?預(yù)測 中 提供了時間序列分析的圖形工具 ， 包括序列圖 (Sequence)、 自相關(guān)函數(shù)和偏自相關(guān)函數(shù)圖等 。 11 ? 人們研究的那些按時間先后順序排列的一系列時間序列數(shù)據(jù)往往由兩部分組成：一是觀測值；二是觀測值對應(yīng)的時間點或時間段 。實踐當(dāng)中是非常困難甚至是不可能的。從理論上，有兩種意義的平穩(wěn)性，一個是嚴(yán)平穩(wěn)或完全平穩(wěn)，一個是寬平穩(wěn)或廣義平穩(wěn)。 一般情況下 ， 那些依時間先后順序排列起來的一系列有相同內(nèi)涵的數(shù)據(jù)通信都可以稱為時間序列 。 △ t 采樣間隔△ t可理解為時間序列中相鄰兩個數(shù)的時間間隔。從理論上，有兩種意義的平穩(wěn)性，一個是嚴(yán)平穩(wěn)或完全平穩(wěn)，一個是寬平穩(wěn)或廣義平穩(wěn)。 該特性通常被稱為 “ 無記憶性 ” ,意味著無法根據(jù)其過去的特點推測其未來的走向 ， 其變化沒有規(guī)律可循 。 ?自回歸移動平均 (ARMA)模型 常用于對隨機性波動較頻繁序列的短期預(yù)測 ,對于非平穩(wěn)的序列可用 ARIMA模型 。 18 ? SPSS的時間定義功能 用來將數(shù)據(jù)編輯窗口中的一個或多個變量指定為時間序列變量 ， 并給它們賦予相應(yīng)的時間標(biāo)志 ， 具體操作步驟是： 1) 選擇菜單 : Data?Define Dates，出現(xiàn)窗口 ： 19 2) 個案為 (Cases Are)框提供了多種時間形式 ,可根據(jù)數(shù)據(jù)的實際情況選擇與其匹配的時間格式和參數(shù) 。 23 ? 通過圖形化觀察和檢驗應(yīng)把握以下幾點 : ?時間序列的正態(tài)性 ， 考察數(shù)據(jù)是否符合正態(tài)分布； ?時間序列的平穩(wěn)性 ， 是要了解時間序列數(shù)據(jù)適合于什么樣的模型 ， 能否直接用來建立模型等； ?時間序列的周期性 ， 是指隨著時間的推移序列呈現(xiàn)出有規(guī)律的周期性波動； ?時間序列的其他特性 ， 如異常值 、 簇集性等 。 偏自相關(guān)函數(shù)是在其他序列給定情況下的兩序列條件相關(guān)性的度量函數(shù) 。 30 ?譜密度圖 (Spectral) 譜密度圖用于序列周期性的檢驗 ， 它是時間序列頻域分析中識別序列隱含周期性的有效方法。 基本思路是 ， 將序列分成若干子序列 ， 并分別計算子序列的均值 、 方差 、 相關(guān)函數(shù) 。 關(guān)于游程檢驗的詳細(xì)內(nèi)容可參見本書有關(guān)非參數(shù)檢驗的章節(jié) 。 6) 單擊 格式 Format 按鈕定義圖形的格式 ， 可選擇橫向或縱向序列圖；對于單變量序列圖 ， 可選擇繪制線圖或面積圖 ， 還可選擇在圖中繪制序列的均值線；對多變量的序列圖 ， 可選擇將不同變量在同一時間點上的點用直線連接起來 . 36 1) 分析 ?預(yù)測 ?自相關(guān) 。 該方法適合當(dāng)序列是一個 k1階的移動平均過程 ， 且標(biāo)準(zhǔn)差隨階數(shù)的增大而增大的情況 。 41 時間序列分析（模擬序列數(shù)據(jù)） .sav 1) 以各種序列繪制序列圖 操作過程 42 輸出圖形 1 平穩(wěn)序列的序列圖示例 43 輸出圖形 2 具有上升趨勢的非平穩(wěn)序列 44 輸出圖形 3 具有異方差性的非平穩(wěn)序列 45 輸出圖形 4 具有波動性的非平穩(wěn)序列 46 輸出圖形 5 具有周期性的非平穩(wěn)序列 47 時間序列分析（模擬序列數(shù)據(jù)） .sav 非平穩(wěn)序列差分處理后變?yōu)槠椒€(wěn)序列 輸出圖形 操作過程 48 時間序列分析（模擬序列數(shù)據(jù)） .sav 2) 以各種序列繪制自相關(guān)函數(shù)和偏自相關(guān)函數(shù)圖 49 正態(tài)白噪聲的自相關(guān)函數(shù)和偏自相關(guān)函數(shù)的輸出數(shù)據(jù)表 輸出結(jié)果中的數(shù)據(jù)表舉例 50 輸出圖形 1 正態(tài)白噪聲的自相關(guān)函數(shù)和偏自相關(guān)函數(shù)圖 51 輸出圖形 2 一個上升趨勢序列的自相關(guān)函數(shù)和偏自相關(guān)函數(shù)圖 52 輸出圖形 3 一個異方差序列的自相關(guān)函數(shù)和偏自相關(guān)函數(shù)圖 53 輸出圖形 4 一個周期性序列的自相關(guān)函數(shù)和偏自相關(guān)函數(shù)圖 54
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號-1