实验·6-时间序列分析的spss应用
实验6 时间序列分析的spss应用
6.1 实验目的
学会运用SPSS统计软件创建时间数列，熟练掌握长期趋势线性模型拟合和季节变动测定的SPSS方法与技能。
6.2 相关知识（略）
6.3 实验内容
6.3.1 用SPSS统计软件创建时间序列的创建
6.3.2用SPSS统计软件处理长期趋势线性模型的拟合（最小二乘法、指数平滑法）及预测。
6.3.3掌握测定季节变动规律的SPSS测定方法。
6.4实验要求
6.4.1准备实验数据
6.4.2用SPSS统计软件创建彩电出口数量的时间序列
6.4.3用最小二乘法测定长期趋势，拟合线性趋势方程，并进行趋势预测。
6.4.4测定彩电出口数量的季节变动规律。
6.4.5用指数平滑法预测2014和2015年的彩电出口数量。
6.5 实验步骤
6.5.1 实验数据
为了研究某国彩电出口的情况，某研究机构收集了从2003-2013年某国彩电出口的月度数据，如表6-1所示。
表6-1 我国 2003-2013年的我国彩电出口的月度数据（单位：万台）1月2月3月4月5月6月7月8月9月10月11月12月2003年12.53 13.73 24.45 28.75 32.45 31.11 25.94 32.98 43.49 42.94 63.29 77.28 2004年30.01 39.63 29.77 42.74 32.25 31.94 32.27 32.59 32.92 30.98 47.44 52.82 2005年24.08 16.42 31.24 29.33 31.88 30.09 28.08 32.99 44.99 47.57 50.36 75.19 2006年39.02 25.81 43.38 37.34 39.22 39.87 51.10 50.99 55.16 62.78 57.75 72.20 2007年28.76 39.38 46.10 39.41 38.74 40.18 45.59 43.31 46.68 54.17 53.65 61.12 2008年28.87 21.23 35.82 26.97 32.33 24.53 29.39 31.96 38.22 39.24 52.95 68.41
2009年29.99 37.09 37.70 35.33 29.53 53.64 28.95 25.88 37.61 39.83 28.44 54.85 2010年55.77 13.96 43.50 32.96 32.91 47.65 39.74 39.48 50.70 60.53 68.22 83.47 2011年66.35 70.35 86.19 87.50 61.19 93.23 89.31 88.37 90.05 90.06 107.56 101.63 2012年78.31 91.97 91.73 101.67 77.60 87.64 98.82 79.90 110.86 113.29 125.58 120.24 2013年101.65 93.53 127.04 133.68 143.76 155.50 170.59 168.96 186.16 181.91 253.78 201.14
6.5.2 创建彩电出口数量时间序列
１．先录入数据，录入后的SPSS数据文件如下图6-1所示：
图6-1 录入后的数据文件（部分图）
２．定义日期变量。选择“数据-定义日期”，打开“定义日期”主对话框，选择相应的时间设置类型，运行完成后，数据文件中会增加相应的时间变量。在本案例中，数据是年份和月份数据，且是从2003年1月开始的，所以时间为“年份、月份”类型，且起始年份为2003年，起始月份为1月。
图6-2 “定义日期”对话框
运行完成后，在数据文件中增加了3个变量，分别是“YEAR_”“MONTH_”及“DATE_”，如图6-3所示。
图6-3 定义日期变量后的结果（部分图）
３．创建时间序列（用移动平均法）
选择“转换-创建时间序列”，打开“创建时间序列”对话框，将“出口量”变量移入右侧的“变量-新名称”框中，在“函数”下拉框中选择“中心移动平均”，在“跨度”中输入5表示五项移动平均，然后点击“更改”按钮，设置情况如下图6-4所示：
图6-4 创建时间序列对话框
设置完毕，单击“确定”按钮，则会在原数据文件中增加一个变量，名称为“出口量_1”的五项移动平均序列。
４．绘制时间序列趋势图
选择“分析-预测-序列图”，打开“序列图”对话框，将“出口量”和“出口量_1”移动右侧的“变量”框，并将定义的日期变量设为“时间轴”标签，单击“确定”按钮，系统输出如图6-5所示的时间序列图。
图6-5 序列图设置对话框
图6-6 生成的时序图
由图6-6中我们可以看出，彩电出口量趋势线变得平滑，随着时间的延长，彩电出口量增加的趋势特征明显。但是增长并不是单调上升的，而是有涨有落，这种升降不是杂乱无章的，与季节因素有关。我们知道，影响时间序列的因素有长期趋势变动、季节因素、循环变动和不规则变动，所以案例中彩电出口量的变动除了增长的长期趋势和季节变动的影响外，还受不规则变动和循环变动的影响。
6.5.3用最小二乘法分析彩电出口量变动的长期趋势
１．新建一个时间变量，变量名为“时序”，按照时间的顺序设为1，2，3，4，5……
选择“分析-回归-线性”，打开“线性回归”对话框，如下图6-7所示。从左边的待分析变量框中，将变量“出口量”移入“因变量”框中，将变量“时序”移入“自变量”框中。
图6-7 线性回归对话框
２．单击“统计量”按钮，弹出如图6-8所示的对话框，依次勾选“估计”、“置信区间”、“协方差矩阵”、“模型拟合度”、“Durbin-Wstson”，单击继续按钮，
返回主对话框。
图6-8 线性回归统计量设置子对话框
“绘制”、“保存”、“选项”、“Bootstrap”等选项卡的设置可参考回归分析实验的设置。
单击“确定”按钮，提交系统运行。
３．主要运行结果
表6-2 回归系数表
表6-2是回归系数的估计结果，也是最小二乘法的估计结果。由表中数据可以看出，常数项和自变量“时序”的t值分别为1.618和11.803。自变量的显著性概率值为0.000，小于0.05，对因变量有显著性影响，而常数项的显著性概率值为0.108，大于0.05，对因变量的影响不显著。所以，我们应该去掉常数项，选择“分析-回归-线性回归”，重新打开线性回归主对话框，然后在单击“选项”，打开“线性回归：选项”对话框，不选中“在等式中包含常量”这项，单击“继续”，最后单击“确定”按钮，运行结果如下表6-3所示。
表6-3 不含常数项的回归分析结果
由表6-3可以看出，自变量的t值为26.401，显著性概率值为0.000，小于0.05，因此对因变量有显著影响。即Y=0.879X。
6.5.4 测定彩电出口数量的季节变动规律
1．选择“分析-预测-季节性分解”，打开“周期性分解”对话框，按照图6-9进行设置，
图6-9 周期性分解对话框
２．在周期性分解对话框的右上角有“保存”按钮，点击“保存…”，打开“保存…”对话框，本例选择“添加至文件”。点击“继续”按钮，返回图6-9所示的主对话框，然后点击“确定”按钮，提交系统运行。
图6-10 “周期：保存…”对话框
３．主要运行结果及分析
图6-11 模型描述截图
图6-11为模型的描述表，显示了模型的名称、类型、季节性期间的长度和移动平均数的计算方法等信息。
图6-12 季节性因素表（截图）
图6-12是季节性因素表，由于受季节性的影响，各月份的彩电出口量有
很大不同，可看出9，10，11，12月份的季节指数大于1，说明彩电出口在这些月份是旺季，其余月份的季节指数小于1，是淡季，其中2月份的出口情况最差，12月份的彩电出口情况最好。
图6-13 出口量季节变动、循环变动、长期趋势和不规则变动指数计算结果（截图）图6-13是数据文件中显示的数据视图。从图6-13中可以看出，数据文件中增加了4个序列：ERR_1表示“出口量”序列进行季节性分解后的不规则变动序列；SAS_1表示“出口量”序列进行季节性分解除去季节性因素后的序列；SAF_1表示“出口量”序列进行季节性分解产生的季节性因素序列；STC_1表示“出口量”序列进行季节性分解出来的序列趋势和循环成分。用数据文件中新增的这4个序列做时序图，按照前面的操作步骤，系统运行结果如下图6-14所示，这些新序列也可以在不同的图上显示。
图6-14 季节性分解后的时序图
6.5.5用指数平滑法预测2014和2015年的彩电出口数量
１．选择“分析-预测-创建模型”，打开“时间序列建模器”对话框，并按照图6-15进行设置。首先对“变量”选项卡进行设置，把“出口量”移到右侧的“因变量”栏，“方法”选择指数平滑法。
图6-15 时间序列建模器对话框
单击“条件…”按钮，打开“时间序列建模器：指数平滑条件”对话框，本案例中选择“Winters可加性”，这种模型适用于具有线性趋势和不依赖于序列水平的季节性效应序列，如下图6-16所示。（在图6-16所示的对话框中，依次选择“简单季节性”、“Winters可加性”、“Winters相乘性”，分别建立不同的季节性指数平滑模型。通过比较发现，“Winters可加性”的拟合最好，“平稳的R方”达到了0.499。因此，选用“Winters可加性”趋势模型进行预测。）
图6-16 时间序列建模器：指数平滑条件对话框
２．“统计量”选项卡设置。在主对话框中单击“统计量”按钮，打开如图6-17所示的对话框，依次勾选“按模型显示拟合度量、Ljung-Box统计量和离群值的数量”、“平稳的R方”、“拟合优度”、“参数估计”、“显示预测值”选项。
图6-17 输出统计量对话框
３．“图表”选项卡设置。单击“图表”按钮，进入图表输出选择对话框，在选项卡中选择“序列”、“观测值”和“预测值”三项，一般为系统默认。
４．“保存”选项卡的设置。单击“保存”按钮，进入保存输出选择对话框，如图6-18所示，将“预测值”保存到数据文件中，变量名的前缀“预测值（P）”改为“预测值”，预测期在“选项”中设置。如果要在输出结果中显示“置信区间的上限”、“置信区间的下限”、“噪声残值”，则可根据数据分析的要求选中。
图6-18 保存选项卡对话框
５．“选项”选项卡设置。单击“选项”，进入“选项”对话框，设置如下图6-19所示。在预测阶段框中选择第二个选项，并在日期活动框中输入2015年12月，表示预测期到2015年12月，其他为默认设置。单击“确定”，提交系统运行。
图6-19 “选项”对话框
６．主要运行结果
表6-5是模型的描述表，表示的对“出口量”变量进行指数平滑法处理，使用的是Winters加法模型。
表6-5 模型描述表
表6-6是模型的拟合情况表，包含了八个拟合情况度量指标。
表6-6 模型拟合情况表
表6-7是模型统计量表，从表中数据可以看出模型的决定系数为0.499，说明拟合模型可以解释原序列49.9%的信息量，说明模型的拟合效果不是很好。
表6-7 模型统计量表
表6-8 指数平滑法模型参数表
表6-9是预测情况表，表中给出了2014年1月到2015年12月“出口量”变量的预测值、上区间和下区间的值，表中仅显示了部分数据。
表6-9 预测表（部分显示）
图6-20是观测值与预测值的时序图。
图6-20 观测值与预测值的时间序列图
图6-21是数据文件中保存的按指数平滑法预测的2014年到2015年的彩电出口量数据。
图6-21 数据文件中的保存结果（部分显示）
6.6实验报告？
6.7思考与练习题
1.根据1993~2013年我国钢铁产量数据，试用指数平滑的方法分析拟合我国钢铁产量的长期趋势。（参见数据文件：钢铁产量.sav）
2．为了研究某个城市的气温变化情况，某研究机构记录了2009~2013年该城市的月度平均气温，利用季节分解法对该城市气温进行分析。（参见数据文件：城市温度.sav）
时间序列季节性分析spss
表1 为某公司连续144个月的月度销售量记录，变量为sales。试用专家模型、ARIMA模型和季节性分解模型分析此数据。
选定样本期间为1978年9月至1990年5月。按时间顺序分别设为1至141。 一、画出趋势图，粗略判断一下数据的变动特点。 具体操作为：依次单击菜单“Analyz e→Forecasting→Sequence Chart”，打开“Sequence Chart”对话框，在打开的对话框中将sales选入“Variables”列表框，时间变量date 选入“Time Axis Labels”，单击“OK”按钮，则生成如图2 所示的sales序列。 图1 “Sequence Chart”对话框
从趋势图可以明显看出，时间序列的特点为：呈线性趋势、有季节性变动，但季节波动随着趋势增加而加大。 二、模型的估计 （一）、季节性分解模型 根据时间序列特点，我们选择带线性趋势的季节性乘法模型作为预测模型。 1、定义日期 具体操作为：依次单击菜单“Data→Define Date”，打开“Define Date”对话框，在“Cases Are”列表框选择“Years，months”的日期格式，在对话框的右侧定义数据的起始年份、月份。定义完毕后，单击“OK”按钮，在数据集中生成日期变量。 图3 “Define Date”对话框 2、季节分解 具体操作为：“Analyze→Forecasting→Seasonal Decomposition”打开“Seasonal Decomposition”对话框，将待分析的序列变量名选入“Variable”列表框。在“Model Type”选择组中选择“Multiplicative”模型；在“Moving Average Weight”选择组
spss教程第四章-- 时间序列分析
第四章时间序列分析 由于反映社会经济现象的大多数数据是按照时间顺序记录的，所以时间序列分析是研究社会经济现象的指标随时间变化的统计规律性的统计方法。.为了研究事物在不同时间的发展状况，就要分析其随时间的推移的发展趋势，预测事物在未来时间的数量变化。因此学习时间序列分析方法是非常必要的。 本章主要内容： 1. 时间序列的线图，自相关图和偏自关系图； 2. SPSS 软件的时间序列的分析方法?季节变动分析。 §4.1 实验准备工作 §4.1.1 根据时间数据定义时间序列 对于一组示定义时间的时间序列数据，可以通过数据窗口的Date菜单操作，得到相应时间的时间序列。定义时间序列的具体操作方法是： 将数据按时间顺序排列，然后单击Date →Define Dates打开Define Dates对话框，如图4.1所示。从左框中选择合适的时间表示方法，并且在右边时间框内定义起始点后点击OK，可以在数据库中增加时间数列。 图4.1 产生时间序列对话框 §4.1.2 绘制时间序列线图和自相关图 一、线图 线图用来反映时间序列随时间的推移的变化趋势和变化规律。下面通过例题说明线图的制作。 例题4.1：表4.1中显示的是某地1979至1982年度的汗衫背心的零售量数据。
试根据这些的数据对汗衫背心零售量进行季节分析。（参考文献[2]） 表4.1 某地背心汗衫零售量一览表单位：万件 解：根据表4.1的数据，建立数据文件SY-11（零售量），并对数据定义相应的时间值，使数据成为时间序列。为了分析时间序列，需要先绘制线图直观地反映时间序列的变化趋势和变化规律。具体操作如下： 1. 在数据编辑窗口单击Graphs Line,打开Line Charts对话框如图4. 2.。从中选择Simple单线图，从Date in Chart Are 栏中选择Values of individual cases，即输出的线图中横坐标显示变量中按照时间顺序排列的个体序列号，纵坐标显示时间序列的变量数据。 图4.2 Line Charts对话框 2. 单击Define，打开对话框如图4.4所示。选择分析变量进入Line Represents，，在Category Labels 类别标签(横坐标)中选择Case number数据个数（或变量
实验二 用SPSS进行时间序列分析
西安郵電大学 C++实验报告 院（系） ：经济与管理学院名称 学生姓名：段明强 专业名称：信息管理与信息系统班级：1201 学号: 02125021
SPSS进行时间序列分析 1.连续4周（每周5个工作日）测定某无菌操作室空气中的细菌含量（×103/M3）资料如下表所示，试绘制时间序列图，看是否存在周期性变动趋势。 表1 无菌操作室空气中的细菌含量 1.、激活数据管理窗口，定义变量名为DATA，然后按时间顺序从第一周第1天起将观察数据依次输入数据区域。 图1 数据输入界面 2.在Graphs菜单的Time Series项中，选择Autocorrelations（自相关时间序列图）。 3.在弹出的Autocorrelations对话框中，选左侧变量列表中的data点击按钮使之进入Variable框。在Display栏选 Autocorrelations项，要求仅绘制自动相关的时间序列图。
图3 选择变量进入右侧的分析列表 4.点击Options钮，弹出“Autocorrelations:Options”对话框，在Maximum Number of Lags 处输入5，表示时间序列阶段为每5天一个周期，点击Continue钮返回Autocorrelations 对话框，再点击OK钮即完成。 图4 设置分析参数 5.结果显示和说明。
图5 结果显示 在时间序列图中，用户可根据相关系数的大小来判断序列模型的变动趋势。一般地说，相关系数为0或为<0，则前后序列或相邻序列的变动趋势保持原状；当最大的正相关系数出现在最后一个时点之前的任一时点时，表明趋势变动，完整地说是后面的或相邻变量的序列较前面的或相邻前面变量的序列延迟，前面的或相邻前面变量的序列超前的时点即在最大正相关系数所在的时点。 在本试验中，一个时间序列为5个时点段，结果图显示最大正相关系数位于最后一个时点，故表明前后时间序列稳定，即具有周期性。 实验心得： 本次实验收获很多，学会使用spss进行时间序列的使用！
SPSS时间序列分析案例
用SPSS软件做时间序列分析，有某公司2002年一季度到2010年二季度的34个税后利润数据，要求预测出该公司2010年三季度和四季度的税后利润。 要求： 1.画出序列趋势图 2.绘制出自相关图和偏自相关图 3.确定参数和模型 4.给出预测值 观测值序列图
2 税后盈利 自相关图序列:税后盈利 滞后 自相关标准误差a Box-Ljung 统计量 值df Sig.b 1 .306 .164 3.48 2 1 .062 2 .198 .162 4.987 2 .083 3 .185 .159 6.340 3 .096 4 .542 .157 18.342 4 .001 5 .084 .154 18.641 5 .002 6 .06 7 .151 18.836 6 .004 7 .094 .149 19.239 7 .007 8 .458 .146 29.093 8 .000 9 .041 .143 29.176 9 .001 10 .016 .140 29.189 10 .001 11 .012 .137 29.197 11 .002 12 .236 .134 32.308 12 .001 13 -.092 .131 32.806 13 .002 14 -.094 .128 33.345 14 .003 15 -.079 .125 33.745 15 .004 16 .106 .121 34.510 16 .005 a. 假定的基础过程是独立性（白噪音）。 b. 基于渐近卡方近似。
偏自相关 序列:税后盈利 滞后偏自相关标准误差 1 .306 .171 2 .115 .171 3 .107 .171 4 .503 .171 5 -.279 .171 6 -.010 .171 7 .046 .171 8 .268 .171 9 -.130 .171 10 -.054 .171 11 -.053 .171 12 -.081 .171 13 -.040 .171 14 -.051 .171 15 -.027 .171 16 -.062 .171
spss时间序列分析教程
时间序列分析 时间序列概述 1.基本概念 ()一般概念：系统中某一变量的观测值按时间顺序（时间间隔相同）排列成一个数值序列，展示研究对象在一定时期内的变动过程，从中寻找和 分析事物的变化特征、发展趋势和规律。它是系统中某一变量受 其它各种因素影响的总结果。 ()研究实质：通过处理预测目标本身的时间序列数据，获得事物随时间过程的演变特性与规律，进而预测事物的未来发展。它不研究事物之间相 互依存的因果关系。 ()假设基础：惯性原则。即在一定条件下，被预测事物的过去变化趋势会延续到未来。暗示着历史数据存在着某些信息，利用它们可以解释与预 测时间序列的现在和未来。 近大远小原理（时间越近的数据影响力越大）和无季节性、无趋 势性、线性、常数方差等。 ()研究意义：许多经济、金融、商业等方面的数据都是时间序列数据。 时间序列的预测和评估技术相对完善，其预测情景相对明确。 尤其关注预测目标可用数据的数量和质量，即时间序列的长度和 预测的频率。 2.变动特点 ()趋势性：某个变量随着时间进展或自变量变化，呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向，但变动幅度可能不等。()周期性：某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。()随机性：个别为随机变动，整体呈统计规律。 ()综合性：实际变化情况一般是几种变动的叠加或组合。预测时一般设法过滤除去不规则变动，突出反映趋势性和周期性变动。 3.特征识别 认识时间序列所具有的变动特征，以便在系统预测时选择采用不同的方法。()随机性：均匀分布、无规则分布，可能符合某统计分布。(用因变量的散点图和直方图及其包含的正态分布检验随机性，大多数服从正态分布。) ()平稳性：样本序列的自相关函数在某一固定水平线附近摆动，即方差和数学期望稳定为常数。 样本序列的自相关函数只是时间间隔的函数，与时间起点无关。其 具有对称性，能反映平稳序列的周期性变化。 特征识别利用自相关函数：ργγ 其中γ是的阶自协方差，且ρ、<ρ<。 平稳过程的自相关系数和偏自相关系数都会以某种方式衰减趋近于，前者测度当前序列与先前序列之间简单和常规的相关程度， 后者是在控制其它先前序列的影响后，测度当前序列与某一先前序 列之间的相关程度。 实际上，预测模型大都难以满足这些条件，现实的经济、金融、商业等序列
spss时间序列讲解
https://www.360docs.net/doc/731332100.html,/view/15ae83cea1c7aa00b52acbd6.html时间序列教程 时间序列预测技术之二——SPSS18 软件操作 (2009-11-26 18:38:29) 转载▼ 分类：数据分析 标签： 时间序列 预测 it 转至沈浩老师博客：https://www.360docs.net/doc/731332100.html,/137715309.html 下面看看如何采用SPSS软件进行时间序列的预测! 这里我用PASW Statistics 18软件，大家可能觉得没见过这个软件，其实就是SPSS18.0，不过现在SPSS已经把产品名称改称为PASW了！ 我们通过案例来说明：（本案例并不想细致解释预测模型的预测的假设检验问题，1-太复杂、2-相信软件） 假设我们拿到一个时间序列数据集：某男装生产线销售额。一个产品分类销售公司会根据过去10 年的销售数据来预测其男装生产线的月销售情况。
现在我们得到了10年120个历史销售数据，理论上讲，历史数据越多预测越稳定，一般也要24个历史数据才行！ 大家看到，原则上讲数据中没有时间变量，实际上也不需要时间变量，但你必须知道时间的起点和时间间隔。 当我们现在预测方法创建模型时，记住：一定要先定义数据的时间序列和标记！
这时候你要决定你的时间序列数据的开始时间，时间间隔，周期！在我们这个案例中，你要决定季度是否是你考虑周期性或季节性的影响因素，软件能够侦测到你的数据的季节性变化因子。
定义了时间序列的时间标记后，数据集自动生成四个新的变量：YEAR、QUARTER、MONTH 和DATE（时间标签）。 接下来：为了帮我们找到适当的模型，最好先绘制时间序列。时间序列的可视化检查通常可以很好地指导并帮助我们进行选择。另外，我们需要弄清以下几点： ?此序列是否存在整体趋势？如果是，趋势是显示持续存在还是显示将随时间而消逝？ ?此序列是否显示季节变化？如果是，那么这种季节的波动是随时间而加剧还是持续稳定存在？