【導(dǎo)讀】重新定義或計算新變量等，為最終的統(tǒng)計分析做準備。情況進行調(diào)查而獲得的一份問卷為例，介紹一些常用的功能。用戶缺失值與系統(tǒng)缺失值的含義不同。記為“·”，而用戶界定的缺失值則不會在數(shù)據(jù)顯示時出現(xiàn)“·”。問卷調(diào)查數(shù)據(jù)的整理與轉(zhuǎn)換的操作主要由以下幾個模塊來實現(xiàn)。進行四則運算等，進而派生出新的變量。同發(fā)生的頻次(即計數(shù))。變量，將其移入列表框中,值的中位數(shù)做替代，取多少個相鄰點可任意定義。失點在線性插值函數(shù)的函數(shù)值填充該缺失值。在SPSS相關(guān)的分析過程中，選擇"按對排除個案"，這時如果沒有用到含缺失值的變量，缺失值對分析沒有影響；用于分析，可能會造成信息損失。設(shè)想與現(xiàn)實的匹配程度會影響其能否實現(xiàn)就業(yè)。決策依據(jù)，進行了畢業(yè)生就業(yè)意愿調(diào)查。己定義替代缺失值的新變量名?？蛑休斎搿?”。原數(shù)據(jù)文件新增加了“ine1”變量。

　　

【正文】 OK(確認 )】 按鈕，此時在輸出窗口中將會出現(xiàn)一個簡明的日志，說明此時只對 2020年 1月都 2020年 12月的數(shù)據(jù)做分析與建模。 Step04 ：直觀分析 選擇菜單欄中的 【 Data(數(shù)據(jù) )】 → 【 Forecasting(預(yù)測 )】 → 【 Sequence Charts(序列圖 )】 命令，彈出 【 Sequence Charts(序列圖 )】 對話框，在該對話框左側(cè)的候選變量列表框中選擇 【 VAR00001】 選項，將其移入 【 Variables(變量 )】 列表框中 , 選擇【 Year, not periodic】 將其移入 【 Time Axis Labels(時間軸標簽 )】 列表框，單擊 【 OK(確認 )】 按鈕即可生成線圖。 Step05 ：特征分析 選擇菜單欄中的 【 Data(數(shù)據(jù) )】 → 【 Graphs(圖形 )】 →【 Chart Builder(圖表構(gòu)建程序 )】 命令 ， 彈出 【 Chart Builder(圖表構(gòu)建程序 )】 對話框 。 在 【 Gallery(庫 )】 選項卡中選擇 【 Histogram(直方圖 )】 選項 ， 并將直方圖形拖入 【 Chart preview uses example data(圖預(yù)覽使用實例數(shù)據(jù) ) 】 下方的白色區(qū)域 ， 然后將 【 VAR00001】拖入 X軸 ， 單擊 【 OK(確認 )】按鈕即可生成直方圖 。 圖 1113 Step06 ：相關(guān)分析 選擇菜單欄中的 【 Analyze(分析 )】 → 【 Forecasting(預(yù)測 )】 →【 Autocorrelations(自相關(guān) )】 命令，彈出 【 Autocorrelations(自相關(guān) ) 】 對話框。將 【 VAR00001】 移入 【 Variables(變量 )】列表框中 ,在 【 Display(顯示 )】 選項組中勾選所以復(fù)選框，即展示自相關(guān)函數(shù)圖、又偏相關(guān)函數(shù)圖。單擊 【 OK(確認 )】 按鈕即可繪制自相關(guān)函數(shù)圖和偏相關(guān)函數(shù)圖。 3 實例結(jié)果及分析 （ 1） 直觀分析的輸出結(jié)果 我國 2020年 1月到 2020年 12月社會商品零售總額的線圖 ， 從圖上可以看出該序列有明顯的趨勢性或周期性這說明該序列 ， 而且無離群點和缺失值 ． （ 2）特征分析結(jié)果 我國 2020年 1月到 2020年 12月社會商品零售總額的直方圖，如圖 1116所示。從圖上可以看出該序列的樣本均值為 ，樣本標準差為 ，樣本容量為 120個。 （ 3）相關(guān)分析結(jié)果 （ 1） 樣本自相關(guān)系數(shù)的值 在 SPSS中給出了不同滯后期 （ Lag列 ） 的樣本自相關(guān)系數(shù)的值 （ Autocorrelation列 ） ， 樣本自相關(guān)系數(shù)的標準誤差（ Std Error列 ） ， 以及 Boxljung Statistic的值 、 自由度 （ d f列 ） 和相伴概率 （ Sig） 。 通過標準誤差值以及 Boxljung Statistic的相伴概率都可以說該時間序列不是白噪聲 ，是具有自相關(guān)性的時間序列 ， 可以建立 ARIMA等模型 。 Boxljung Statistic的相伴概率是在近似認為 Boxljung Statistic服從卡方分布得到 。 （ 2） 樣本自相關(guān)系數(shù)的圖形 在 SPSS中畫出了樣本自相關(guān)系數(shù)圖 。 圖中的橫軸為滯后期 （ Lag Number） ， 縱軸為樣本自相關(guān)系數(shù)（ ACF） 。 圖中用條形形狀來表示樣本自相關(guān)系數(shù) ，并畫出了 95%的置信上下限的線條 。 從下圖可以看出該時間序列的自相關(guān)系數(shù)并不呈負指數(shù)收斂到零 ， 其衰減速度比較慢 ， 不是平穩(wěn)時間序列 。 （ 3）樣本偏相關(guān)系數(shù)的值 在 SPSS中給出了不同滯后階（ Lag列）的樣本偏相關(guān)系數(shù)的值（ Partial Autocorrelations 列），樣本偏相關(guān)系數(shù)的標準誤差（ Std Error列）。從表 103樣本偏相關(guān)系數(shù)的數(shù)據(jù)表可以看出該時間序列不是白噪聲。 （ 4） 樣本偏相關(guān)系數(shù)的圖形 圖中的橫軸為滯后期 （ Lag Number） ， 縱軸為樣本偏相關(guān)系數(shù)（ PACF） 。 圖中用條形形狀來表示樣本偏相關(guān)系數(shù) ， 并畫出了 95%的置信上下限的線條 。 從下圖可以看出該時間序列的偏相關(guān)系數(shù)在一階滯后期 、 12階滯后期比較大 ， 說明該時間序列具有周期性 ，不是平穩(wěn)時間序列 。 時間序列的確定性分析 確定性分析的基本原理 使用目的 傳統(tǒng)時間序列分析認為長期趨勢變動、季節(jié)性變動、周期變動是依一定的規(guī)則而變化的，不規(guī)則變動因素在綜合中可以消除?；谶@種認識，形成了確定性時間序列分析。 通過確定性時間序列分析，一方面能夠使序列的長期趨勢變動特征、季節(jié)效應(yīng)、周期變動體現(xiàn)得更加明顯；另一方面能確立模型，從而成功捕捉數(shù)據(jù)的隨 “ 時間 ” 變化的、 “ 動態(tài) ” 的、“ 整體 ” 的統(tǒng)計規(guī)律。因此，對時間序列進行確定分析，從而建立模型是非常必要的。 基本原理 （ 1）指數(shù)平滑法 指數(shù)平滑法有助于預(yù)測存在趨勢和（或）季節(jié)的序列。指數(shù)平滑法分為兩步來建模，第一步確定模型類型，確定模型是否需要包含趨勢、季節(jié)性，創(chuàng)建最適當(dāng)?shù)闹笖?shù)平滑模型，第二步選擇最適合選定模型的參數(shù)。 指數(shù)平滑模法一般分為無季節(jié)性模型、季節(jié)性模型。無季節(jié)性模型包括簡單指數(shù)平滑法、布朗單參數(shù)線性指數(shù)平滑法等，季節(jié)性模型包括溫特線性和季節(jié)性指數(shù)平滑法。 指數(shù)平滑法，又稱指數(shù)加權(quán)平均法，實際是加權(quán)的移動平均法，它是選取各時期權(quán)重數(shù)值為遞減指數(shù)數(shù)列的均值方法。 （ 2） 季節(jié)分解法 季節(jié)分解的一般步驟如下： 第一步，確定季節(jié)分解的模型； 第二步，計算每一周期點（每季度，每月等等）的季節(jié)指數(shù)（乘法模型）或季節(jié)變差（加法模型）； 第三步，用時間序列的每一個觀測值除以適當(dāng)?shù)募竟?jié)指數(shù)（或減去季節(jié)變差），消除季節(jié)影響； 第三步，對消除了季節(jié)影響的時間序列進行適當(dāng)?shù)内厔菪苑治觯? 第四步，剔除趨勢項，計算周期變動； 第五步，剔除周期變動，得到不規(guī)則變動因素； 第六步，用預(yù)測值乘以季節(jié)指數(shù)（或加上季節(jié)變差），乘以周期變動，計算出最終的帶季節(jié)影響的預(yù)測值。 指數(shù)平滑法的 SPSS操作詳解 Step01 ：打開 【 Create Models(創(chuàng)建模型 )】 對話框 當(dāng)時間序列的數(shù)據(jù)已經(jīng)準備好以后，選擇菜單欄中的 【 Analyze(分析 )】 → 【 Forecasting(預(yù)測 )】 → 【 Create Models(創(chuàng)建模型 )】命令，彈出 【 Create Models(創(chuàng)建模型 )】 對話框。 Step02 ：指數(shù)平滑模型選擇 在該對話框的左側(cè)的 【 Variables(變量 )】 列表框中選擇一個變量 ，將其移入 【 Dependent Variables(因變量 】 列表框 。 在 【 Method(模型 )】 下拉列表框中選擇建模方法 ， 在 【 Method(模型 )】 下拉列表框中選擇 【 Exponential Smoothing(指數(shù)平滑法 )】 選項 ，并單擊 【 Criteria(條件 )】 按鈕 ， 彈出 【 Exponential Smoothing Criteria(指數(shù)平滑條件 )】 對話框 。 Step03 ：統(tǒng)計量的選擇 在 【 Create Models(創(chuàng)建模型 )】 對話框的菜單中，選擇 【 Statistics(統(tǒng)計量 )】 ， 彈出 【 Statistics(統(tǒng)計量 )】 對話框。 Step04 :圖表的選擇 【 Plot(圖表 )】 選項卡分成兩部分 . ① Plots for Comparing Models: 模型比較圖。 ② Plots for individual Models: 模型當(dāng)模型的圖。 Step05 ：輸出的選擇 【 Output Filter(輸出過濾 )】 選項卡中包括兩部分。 ① Include all models in output: 輸出所有的模型，系統(tǒng)默認選項。② Filter models based on goodness fit輸出基于擬合優(yōu)度過濾的模型。 Step06：保存變量的選擇 在 【 Save(保存 )】 選項卡中包括兩部分。① Save Variables: 保存變量；② Export Model File: 選擇是否導(dǎo)出模型文件保存變量 ,將模型文件保存在指定的目錄中。 選擇好以后，在 【 Create Models(創(chuàng)建模型 )】 對話框的菜單中，單擊 【 Options(選項 )】 按鈕，彈出 【 Options(選項 )】 對話框。 圖 1124 Step07：某些選項的選擇 實例圖文分析：進出口貿(mào)易總額的指數(shù)平滑建模 1 .實例內(nèi)容 以我國 19502020年進出口貿(mào)易總額年度數(shù)據(jù)為例 ， 嘗試建立指數(shù)平滑模型 。 2. 實例操作 Step01：打開 【 Create Models(創(chuàng)建模型 )】 對話框 選擇菜單欄中的 【 Analyze(分析 )】→ 【 Forecasting(預(yù)測 )】 → 【 Create Models(創(chuàng)建模型 )】 命令，彈出 【 Create Models(創(chuàng)建模型 )】對話框。將該對話框左側(cè)的 【 VAR00001】 變量移入 【 Dependent Variables(因變量 】 列表。在 【 Method(模型 )】 下拉列表框中選擇【 Exponential Smoothing(指數(shù)平滑法 )】 選項。 單擊 【 Criteria(條件 )】 按鈕 ， 彈出 【 Exponential Smoothing Criteria(指數(shù)平滑條件 )】 對話框 。 Step02：指數(shù)平滑模型選擇 由于數(shù)據(jù)具有明顯的趨勢性，所以選 【 Brown’s linear trend (Brown線性趨勢 )】 ,點擊 【 Continue(繼續(xù) )】 ，返回到了 【 Create Models(創(chuàng)建模型 )】 對話框。 單擊 【 Statistics(統(tǒng)計量 )】 選項卡， 彈出如下圖所示的界面。 Step03 ：統(tǒng)計量的選擇 在 【 Statistics(統(tǒng)計量 )】 選項卡中，選擇對展示模型擬合度量、 ljung Box 統(tǒng)計量、被模型過濾掉的樣本數(shù)據(jù)的個數(shù)的選項，選擇顯示模型參數(shù)的估計值，選擇好以后，單擊 【 Save(保存 )】 選項卡，對話框顯示如下圖所示。 Step05 :完成操作 選擇好以后，單擊 【 OK(確認 )】 輸出結(jié)果，此時， SPSS將在當(dāng)前數(shù)據(jù)編輯窗口中自動生成代帶前綴 Predicted的預(yù)測值和帶前綴 NResidual的殘差的值。 3 實例結(jié)果及分析 （ 1）模型描述 該模型為 Model_ 1，模型的類型為 Brown的線性趨勢模型。 （ 2）模型擬合優(yōu)度 對 VAR00001建立 Winters的乘積季節(jié)模型的擬合優(yōu)度，包括了調(diào)整 RSquare,標準化的 BIC等所有擬合優(yōu)度的值。 （ 3）模型的統(tǒng)計量的結(jié)果 由于在 【 Statistics(統(tǒng)計量 )】 對話框中，選擇了展示模型擬合度量、 ljung Box統(tǒng)計量、被模型過濾掉的樣本數(shù)據(jù)的個數(shù)的選項，所以，在輸出結(jié)果中出現(xiàn)了調(diào)整 RSquare,標準化的 BIC的值， ljung Box統(tǒng)計量的值。 從表 105中可以看出 Boxljung 統(tǒng)計量的相伴概率是 ，可以接受殘差序列是沒有自相關(guān)性的。 由于在 【 Statistics(統(tǒng)計量 )】 對話框中 ， 選擇顯示模型參數(shù)的估計值 ， 所以 ， 在輸出結(jié)果中出現(xiàn)模型的參數(shù)估計的結(jié)果 。 從表 106可以看出 ， 水平指標的估計值是 ， 趨勢指標的估計值是 1， 季節(jié)效應(yīng)指標為 ， T統(tǒng)計量的相伴概率都接受這些參數(shù)都是為非零的假設(shè)的 。 （ 4）模型的擬合圖 在獲得了參數(shù)估計值和模型結(jié)構(gòu)后，代入初值，便可以擬合數(shù)據(jù)，從而繪制圖像。擬合數(shù)據(jù)以前綴為 Predicted的變量 Predicted—VAR000001— Model— 1出現(xiàn)在 SPSS的當(dāng)前數(shù)據(jù)編輯窗口中。 季節(jié)分解的 SPSS操作詳解 Step01 ：選擇菜單欄中的 【 Analyze(分析 )】 → 【 Forecasting(預(yù)測 )】 → 【 Seasonal Deposition(周期性分解 )】 命令 ， 彈出 【 Seasonal Deposition(周期性分解 )】 對話框 。 Step02 ：季節(jié)分解模型的選擇 在 【 Seasonal Deposition(周期性分解 )】 對話框的左側(cè)的候選變量列表框中選擇一個變量 ， 將其移入 【 Variables(變量 )】列表框 。 在 【 Model Type(模型類型 )】 復(fù)選框中選擇模型類型；單擊 【 Save】 按鈕 ， 彈出 【 Save(保存 )】 對話框 。 Step03 ：完成操作 如果不改變 【 Save(保存 )】 對話框中的默認選項，