【文章內容簡介】 od框中指定計算相關系數(shù)標準差的方法 ， 它將影響到相關函數(shù)圖形中的置信區(qū)間。 38 目 其中 Independence model表示假設序 列是白噪聲的過程； Bartlett’s approximation表示 ， 根據(jù) Bartlett 給出的估計自相關系數(shù)和偏自相關系數(shù)方差的近似式計算方差 。 該方法適合當序列是一個 k1階的移動平均過程 ， 且標準差隨階數(shù)的增大而增大的情況 。 5) 選中 Display autocorrelation at periodic lags表示只顯示時間序列周期整數(shù)倍處的相關函數(shù)值 。 一般如果只考慮序列中的周期因素可選中該項 ， 否則該步可略去 。 39 3. 繪制互相關圖的基本操作 1) 分析 ?預測 ?互相關圖 。 2) 把需繪圖的序列變量選到 Variables框中 。 要求兩個序列均具有平穩(wěn)性 。 40 圖形化觀察應用舉例 利用模擬序列數(shù)據(jù)： 1) 以各種序列繪制序列圖； 2) 以各種序列繪制自相關函數(shù)圖和偏自相關函數(shù)圖 。 利用海關總出口額數(shù)據(jù) ， 繪制出口總額和外匯儲備的一階逐期差分后的序列互相關圖。 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函數(shù)和偏自相關函數(shù)圖 49 正態(tài)白噪聲的自相關函數(shù)和偏自相關函數(shù)的輸出數(shù)據(jù)表 輸出結果中的數(shù)據(jù)表舉例 50 輸出圖形 1 正態(tài)白噪聲的自相關函數(shù)和偏自相關函數(shù)圖 51 輸出圖形 2 一個上升趨勢序列的自相關函數(shù)和偏自相關函數(shù)圖 52 輸出圖形 3 一個異方差序列的自相關函數(shù)和偏自相關函數(shù)圖 53 輸出圖形 4 一個周期性序列的自相關函數(shù)和偏自相關函數(shù)圖 54 輸出圖形 5 一個非周期的波動性序列的自相關函數(shù)和偏自相關函數(shù)圖 55 時間序列分析（總出口額） .sav 2. 繪制互相關圖的操作舉例 56 互相關圖 輸出圖形 輸出數(shù)據(jù) 57 時間序列的預處理 ? 預處理的目的和主要方法 ? 預處理的基本操作 ? 預處理的應用舉例 58 預處理的目的和主要方法 ? 通過數(shù)據(jù)的觀察和檢驗階段實現(xiàn)對序列變化特征的把握后 ， 就可根據(jù)數(shù)據(jù)的特點和分析的需要對數(shù)據(jù)進行必要的變換處理 。 ? 預處理的目的可大致歸納為兩個方面： ?第一 ， 使序列的特征體現(xiàn)得更加明顯 ， 利于分析模型的選擇； ?第二 ， 使數(shù)據(jù)滿足于某些特定模型的要求 。 59 ? 序列的預處理主要包括以下幾個方面 ： ?序列缺失數(shù)據(jù)的處理 ?序列數(shù)據(jù)的變換處理 ? 數(shù)據(jù)變換主要包括序列的平穩(wěn)化處理和序列的平滑處理等 。 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 。 均值平穩(wěn)化一般采用差分 (Difference)處理 ， 方差平穩(wěn)化一般用 BoxCox變換處理 。 60 1) 差分是一種通過逐項相減消除前后期數(shù)據(jù)相關性的方法 ， 可大致剔除序列中的趨勢性 ，使數(shù)據(jù)在水平方向基本平穩(wěn) 。 ? 差分不一定是相鄰項之間的運算 ， 也可以在有一定跨度的時間點之間進行 。 季節(jié)差分(Seasonal difference)就是一個典型的代表 。對于既有趨勢性又有季節(jié)性的序列 ， 可同時進行差分和季節(jié)差分處理 。 ? ? ? ?? ? ? ?1121 1 21 , 12ddt t t t t t t td d dt t t t t ty x B x y x x x B xx x x x x x???? ? ?? ? ? ? ? ? ? ? ? ?? ? ? ? ? ? ? ? ? ? ? ?61 2) 時間序列的平滑處理目的是為了消除序列中隨機波動性影響 。 常用的平滑處理的方式有： ?中心移動平均法 (Centered moving average) 計算以當前為中心的時間跨度 k范圍內數(shù)據(jù)的移動平均數(shù) 。 ?向前移動平均法 (Prior moving average) 若指定時間跨度為 k， 則用當前值前面 k個數(shù)據(jù) (注意：不包括當前值 )的平均值代替當前值 。 ?移動中位數(shù) (Runing medians) 它以當前時間點為中心 ， 根據(jù)指定的時間跨度 k計算中位數(shù) 。 62 ? 另外 ， 還可以通過序列取對數(shù)以及對序列進行標準化 、 中心化 、 歸一化處理等方法進行數(shù)據(jù)變換 。 它們可使偏態(tài)分布的序列變成對稱的分布 ， 可消除序列中的異方差性 ， 可使變量間的非線性變換關系轉換成為線性關系， 在時間序列數(shù)量級很大的時候會起到顯著改善計算精度的作用 。 63 預處理的基本操作 1. 序列缺失數(shù)據(jù)處理的基本操作 1) 轉換 ?替換缺失值 。 2) 把需處理的變量選擇到 新變量框 中，在名稱和方法框中，在 名稱 后輸入處理新生成的變量名，在 方法 中選擇處理缺失值的替代方法，并單擊 更改 按鈕。 3) 注意，若序列中第一個或最后一個數(shù)據(jù)為缺失值，只能用 序列均值 和 線性趨勢法 處理。 64 時間序列分析（模擬序列數(shù)據(jù)） .sav 缺失值處理的操作過程 65 輸出結果 變量集新增一列 66 2. 序列數(shù)據(jù)變換的基本操作 ? SPSS提供了專門進行時間序列數(shù)據(jù)變換的模塊 , 其中包含 :差分和季節(jié)差分等平穩(wěn)化方法 , 移動平均和移動中位數(shù)等平滑方法 , 以及生成新序列的變換方法 。 基本操作步驟如下： 1) 轉換 ?創(chuàng)建時間序列 。 2) 把需處理的變量選擇到 新變量框 中 ， 在名稱和函數(shù)框中 ， 在 名稱 后輸入處理新生成的變量名 ， 在 函數(shù) 中選擇轉換處理方法 ， 在 順序后輸入相應的階數(shù) ， 并單擊 更改 按鈕 。 67 其中的方法除前面介紹的幾種外 ， 還包括： ?累加求和 ：即對當前值和當前值之間的所有數(shù)據(jù)進行求和 ， 生成原序列的累計值序列 。 ?滯后 ：即對指定的階數(shù) k， 用從當前值向前數(shù)到第 k個數(shù)值來代替當前值 。 這樣形成的新序列將損失前 k個數(shù)據(jù) 。 ?提前 ：與數(shù)據(jù)滯后正好相反 ， 即指定的階數(shù) k， 從當前值向后數(shù)以第 k個數(shù)值來代替當前值。 這樣形成的新序列將損失后 k個數(shù)據(jù) 。 68 時間序列分析（模擬序列數(shù)據(jù)） .sav 用平滑法進行數(shù)據(jù)轉換的操作 69 變量集新增一列 輸出結果 70 簡單回歸法和趨勢外推法 ? 概述 ? 應用舉例