地理建模原理实验报告
地理建模实用技术 实习报告
《地理建模实用技术》课堂实验报告（2016-2017学年第1学期）班级：地信1301姓名：冯正英学号：311305030101上机前准备：充分不充分未准备上机考勤：全到缺次上机操作：认真不认真实验计划：完成部分完成未完成实验报告完成情况：全部按时完成，部分完成，基本未提交实验报告撰写质量：好较好差其它：综合评分：优良中及格不及格指导教师签名:年月日实验一在ArcCatalog中预览三维GIS数据专业：地理信息科学班级：1301 姓名：冯正英学号：311305030101 日期：2016-10-22 成绩：一、实验的目的与要求：（1）掌握ArcCatalog中数据预览方法；（2）掌握ArcCatalog中创建图层文件的方法。
二、实验软件及系统：Windows 7ArcGIS10.1三、实验内容及步骤：1.实验内容（1）在ArcCatalog预览数据；（2）在ArcCatalog中创建图层文件。
2.实验步骤（1）在ArcCatalog预览数据①启动ArcCatalog。
双击ArcCatalog图标，打开ArcCatalog软件，点击自定义→ArcCatalog 选项→常规选项卡→隐藏文件扩展名，单击ok确定。
②加载3D Analyst扩展模块。
点击自定义→扩展模块，在对话框中选中3D Analyst复选框，点击close按钮，关闭对话框。
③在ArcCatalog中加载3的视图工具条。
点击自定义→工具条，选中3D视图工具和Globe 视图工具复选框。
④查看catalog内容。
点击“＋”号按钮连接4DData文件夹，在左侧的Catalog目录树种找到Chapter01\data1文件夹。
单击前面加号展开文件夹，可以看到其中包含了一个tin，一个栅格，一个shapefile要素类。
⑤预览tin数据集。
单击目录中的cole_tin，选择显示区域上方的预览选项卡，点击预览菜单旁边的箭头，选择3D视图。
⑥使用导航，缩放，平移等工具。
地理建模原理实验报告定稿版
地理建模原理实验报告 HUA system office room 【HUA16H-TTMS2A-HUAS8Q8-HUAH1688】地理建模原理实验报告学号：姓名：高义丰班级： 1223102专业：地理信息系统指导老师：陵南燕2015年6月27日目录一、实习项目 (3)二、实习目的 (3)三、实习内容 (3)1、简单相关分析 (3)2、偏相关 (5)3、距离过程 (6)4、因子分析 (7)5、回归分析 (9)6、多元线性回归 (11)7、时序分析 (12)8、实习总结 (15)一、实习项目1.学习SPSS软件，学会如何该软件进行因子分析与回归分析（课堂）；2.学习SPSS软件，学会如何该软件随机时序分析（课堂）；3.利用SPSS软件，完成数据文件里的一系列操作。
二、实习目的在实习后根据老师讲解的内容能够对spss软件有所了解并能够掌握如何用统计软件进行相关分析、因子分析和回归分析等用实习数据完成此类实习操作，相关分析与回归分析有相关系数、相关分析与偏相关分析、距离分析。
三、实习内容1、简单相关分析在进行相关分析时，散点图是重要的工具，分析前应先做散点图，以初步确定两个变量间是否存在相关趋势，该趋势是否为直线趋势，以及数据中是否存在异常点。
否则可能的出错误结论。
输入数据后，依次单击Graphs—Scatterplot散点图确定两个变量间是否存在相关趋势，该趋势是否为直线趋势Bivariate相关分析的步骤：（1）输入数据后，依次单击Analyze—Correlate—Bivariate，打开Bivariate Correlations对话框。
如图打开双变量相关后在点选项就会得到结果图右边结果，如图设置即可得到结果结果分析：描述性统计量表，如下：从表中可看出， Pearson相关系数为0.865，即小鸡的体重与鸡冠的相关系数为0.865，显着性水平是0.01，这两者之间不相关的双尾检验值为0.001。
制作地理模型实验报告
制作地理模型实验报告引言地理模型是地理学研究中的重要工具，可以帮助我们更好地理解地理现象和地球系统。
通过制作地理模型，我们可以直观地观察地球的形状、地壳运动、地质构造以及气候变化等自然现象，有助于加深对地理学知识的理解和记忆。
本实验旨在利用简单的材料制作地理模型，并进行观察和实验，以探究地理学中的一些基本概念。
实验材料- 沙子- 砂岩碎片- 水- 容器- 模型工具（刷子、铲子等）实验步骤步骤一：制作地球模型1. 在容器中放入适量的沙子，使其均匀铺展在容器的底部，以模拟地球表面的陆地。
2. 向容器中倒入一些水，使之浸泡沙子，以模拟地球上的海洋。
3. 用刷子、铲子等工具仔细调整沙子的形状，模拟不同的地形，如山脉、河流、湖泊等。
步骤二：模拟地壳运动1. 在地球模型的上方轻轻放置一些砂岩碎片，模拟地壳中的岩石板块。
2. 轻轻用手指推动或旋转容器，观察砂岩碎片的变化。
可以看到砂岩板块之间的相对运动。
3. 观察并记录砂岩板块的运动情况，特别注意山脉的形成、地震、火山喷发等现象。
步骤三：模拟气候变化1. 在地球模型中制造出山脉和大片陆地，并围绕地球模型的顶部放置一个透明的杯子，模拟大气层。
2. 向杯子中加入一些水，然后将杯子用保鲜膜封口。
3. 将整个地球模型放置在光照充足的地方，观察水循环的过程。
可以观察到水蒸气升华、凝结为水滴、降下为降水等过程。
4. 可以通过调整光照强度或角度来模拟季节变化，观察降水和温度变化对不同地区的影响。
实验结果与讨论在制作地理模型并模拟地壳运动和气候变化的实验中，我们可以获得以下观察结果：1. 地球模型中的沙子可以通过调整形状和地势的方式模拟不同地形，如山脉、河流和湖泊等。
2. 通过轻轻推动或旋转容器，可以模拟地壳板块之间的运动，观察到山脉的形成和地震、火山喷发等现象。
3. 在模拟气候变化的实验中，我们可以观察到水蒸气的升华、凝结和降水的过程，并通过调整光照强度和角度来模拟季节变化对气候的影响。
地理信息处理与建模实验二
实验二栅格数据空间分析一、实验目的栅格数据结构简单、直观，非常利于计算机操作和处理，是GIS常用的空间基础数据格式。
基于栅格数据的空间分析是GIS空间分析的基础，也是ArcGIS的空间分析模块的核心内容。
栅格数据的空间分析主要包括：距离制图、密度制图、表面生成与分析、单元统计、领域统计、分类区统计、重分类、栅格计算等功能。
ArcGIS栅格数据空间分析模块（Spatial Analyst）提供有效工具集，方便执行各种栅格数据空间分析操作，解决空间问题。
本章将对ArcGIS中栅格数据空间分析的各模块从原理上和实现上作详细的说明，并附以具体实例，引导读者更好的应用。
二、实验内容及主要步骤本次实验由五个部分组成：2.1 基础实验：创建文件地理数据库和环境设置；2.2 基础实验：创建地形因子；2.3 基础实验：山顶点的提取；2.4 基础实验：栅格计算；2.5提高实验：为新学校选址。
122.1 基础实验：创建文件地理数据库和环境设置 2.1.1背景基于ArcGIS 进行空间分析首先要设置分析环境。
分析环境的设置会一定程度地影响空间分析结果。
它主要包括工作目录的选择、栅格单元大小的设定、分析区域的选定、坐标基准的配准模式、分析过程文件的管理等 每个地图文档都有一个默认地理数据库，作为地图空间内容的本地位置。
此位置可用于添加数据集和保存各种编辑操作和地理处理操作生成的结果数据集。
例如，从图层中导出要素时，除非另外指定，否则数据会自动保存到地图的默认地理数据库中。
默认地理数据库与“地理处理环境”的“当前工作空间”始终一致，因此工具或模型的所有输出内容都将保存到此默认位置。
默认文件地理数据库能够有效的组织和存储数据，便于数据的加载与导出。
进行相应的环境设置，不仅能够保证数据信息的准确性（例如地图投影系统的设置和栅格数据处理单元的大小设置等操作），而且能够避免数据处理处理过程中意外报错。
所以创建文件地理数据库和环境设置是进行GIS 分析功能操作的第一步。
地理建模原理实验报告
地理建模原理实验报告学号： 0262姓名：高义丰班级： 1223102专业：地理信息系统指导老师：陵南燕2015年6月27日目录一、实习项目 (3)二、实习目的 (3)三、实习内容 (3)1、简单相关分析 (3)2、偏相关 (5)3、距离过程 (6)4、因子分析 (8)5、回归分析 (11)6、多元线性回归 (13)7、时序分析 (14)8、实习总结 (18)一、实习项目1.学习SPSS软件，学会如何该软件进行因子分析与回归分析（课堂）；2.学习SPSS软件，学会如何该软件随机时序分析（课堂）；3.利用SPSS软件，完成数据文件里的一系列操作。
二、实习目的在实习后根据老师讲解的内容能够对spss软件有所了解并能够掌握如何用统计软件进行相关分析、因子分析和回归分析等用实习数据完成此类实习操作，相关分析与回归分析有相关系数、相关分析与偏相关分析、距离分析。
三、实习内容1、简单相关分析在进行相关分析时，散点图是重要的工具，分析前应先做散点图，以初步确定两个变量间是否存在相关趋势，该趋势是否为直线趋势，以及数据中是否存在异常点。
否则可能的出错误结论。
输入数据后，依次单击Graphs—Scatterplot散点图确定两个变量间是否存在相关趋势，该趋势是否为直线趋势Bivariate相关分析的步骤：（1）输入数据后，依次单击Analyze—Correlate—Bivariate，打开Bivariate Correlations对话框。
如图打开双变量相关后在点选项就会得到结果图右边结果，如图设置即可得到结果结果分析：描述性统计量表，如下：从表中可看出， Pearson相关系数为，即小鸡的体重与鸡冠的相关系数为，显著性水平是，这两者之间不相关的双尾检验值为。
从统计结果可得到，小鸡的体重与鸡冠重之间存在正相关关系，当小鸡的体重越大时，则小鸡的鸡冠越重。
并且，否定了小鸡的体重与鸡冠重之间不相关的假设。
2、偏相关当有多个变量存在时，为了研究任何两个变量之间的关系，而使与这两个变量有联系的其它变量都保持不变。
地理数据分析与建模集中实习日志(三)(武大遥感)
地理数据分析与建模集中实习日志（三）
今天，我针对实习5（回归模型）一些问题进行了思考
空间回归模型中，三种模型的优劣性比较
r^2越接近1，说明拟合度越好（预测值和实际值的残差越小）——从“分位图”的角度来看，拟合度越高，一个模型中，横坐标（index_of_m剥夺指数)对应的纵坐标（预测值）（蓝线）应该和实际值（红点）越相近。
我们只关注index_of_m剥夺指数与盗窃率之间的关系
首先使用ln对“真实盗窃率”SRDBURG01进行近似标准化，使之近似符合正态分布
下面将重点进行讲解3模型的区别
classisc:
以区域1为例：
实际值（ln_sr）与预测值相差很大
而且r^2与1相差很大，因此说明该模型不够准确，从
“分位图”的角度来看
首先明确一点：整体预测值（蓝线）的产生，源于几个采样点所计算出的预测值的连线
理论上，若拟合度好，实际值与蓝色的预测值应该很接近
事实上，如上图所示：纵轴是真实值。
使用该模型后，预测值（蓝色）与真实值的偏差还是较大的
2. 空间滞后
仍然以1为例
由于引入了自相关，整体预测值（蓝线）将与由几个采样点计算出来的预测值不完全重合
由上图，此时的整体预测值直线斜率为
相比classic的，该直线与实际值有更好的拟合度
3. 误差模型
由于误差模型的r^2大于滞后模型，说明该模型的直线（斜率为）将更好地拟合真实值。
地形模型实践活动总结报告
地形模型实践活动总结报告一、活动背景地形模型实践活动是为了拓宽学生地理知识、促进他们对地理现象的理解和分析能力，提高他们在地理课上的学习积极性而开展的一项活动。
该活动通过让学生亲自制作地形模型，让学生更加直观地了解地球表面的特征、地貌的形成以及地理现象的发生机制。
二、活动准备在活动开始前，我们精心准备了以下材料和工具：1. 地球仪2. 泥土和沙子3. 尺子、铲子和刷子等工具4. 彩色水彩、颜料和画笔5. 一些植物和小动物模型等辅助材料此外，我们还为学生准备了相应的学习材料，包括地理教科书和相关地理资料。
三、活动过程1. 理论学习在活动开始前，我们首先组织了一次关于地球地形和地貌的理论学习。
通过讲解和讨论，学生们对地球表面的特征以及地貌的形成原因有了初步的了解。
2. 制作地形模型在学习理论知识后，学生们开始亲自制作地形模型。
我们提供了一些材料和工具供学生选择，他们可以根据自己的理解和想法来制作地形模型。
制作地形模型的过程中，学生们根据自己对地球表面的了解，选择合适的材料来模拟不同地形特征。
他们使用泥土和沙子来模拟山脉和河流，使用颜料来描绘湖泊和海洋，使用小动物模型来展示生态系统等等。
3. 模型展示与分享在地形模型制作完成后，我们组织了一次模型展示与分享活动。
学生们将自己制作的地形模型展示给大家，并分享他们模型背后的理念和创作过程。
这次活动不仅培养了学生们的表达能力，也促进了他们对地理知识的更深入理解。
学生们通过互相参观和交流，学到了更多地理知识，并且加深了对地表形成和地理现象的理解。
四、活动效果与收获在这次地形模型实践活动中，学生们不仅通过亲身参与制作地形模型，加深了对地理知识的理解，还提高了他们的创造力和综合能力。
他们通过思考和实践，将抽象的概念和理论变成了具体的实物，更加直观地认识了地球表面的特征和形态。
通过模型展示与分享活动，学生们互相借鉴和学习，拓宽了自己的视野。
他们在交流中不仅分享了自己的经验和心得，也开阔了自己的思维，激发了他们更多地思考和探索的欲望。
GIS原理实验六实验报告
实习报告实验六地形分析——TIN及DEM的生成及应用综合实验一、地形分析原理地形分析是用直接可以观测到的地貌和外力过程，演绎推断不能直接观察到的地壳运动的进程和发展的方法。
二、地形分析操作过程和实验结果1.TIN及DEM的生成1.1 由高程点、等高线矢量数据生成TIN转为DEM第一步，添加矢量数据：Elevpt_Clip、Elev_Clip、Boundary、Erhai；第二步，执行工具栏[3D分析]中的菜单命令[3D分析]>>[创建/修改TIN]>>[从要素生成TIN]；第三步，在对话框[从要素生成TIN中]中按下图所示定义每个图层的数据使用方式；第四步，确定生成文件的名称及其路径，生成新的图层tin，在TOC(内容列表)中关闭除[TIN]和[Erhai]之外的其它图层的显示，设置TIN的图层（符号）得到如下的效果；第五步，执行工具栏[3D分析]中的命令[转换]>>[TIN转换到栅格]，指定相关参数：属性选择“高程”，像素大小为默认，输出栅格的位置和名称: [TinGrid]。
1.2TIN的显示及应用第一步，在前面操作的基础上进行，关闭除[TIN]之外的所有图层的显示，编辑图层[tin]的属性，在图层属性对话框中，点击[符号] 选项页，将[ 边界类型] 和[ 高程] 前面检查框中的勾去掉，点击[ 添加] 按钮；第二步，在[添加渲染] 对话框中，将[所有边用同一符号进行渲染] 和[ 所有点用同一符号进行渲染] 这两项添加么TIN的显示列表中，第三步，参考之前操作，将[面坡度用颜色梯度表进行渲染] 和[面坡向用颜色梯度进行渲染] 这两项添加到TIN的显示列表中；第四步，在上面的对话框中，选中Slope，点击[分类] 按钮，在下面的对框中，将[类] 指定为5，然后在[间隔值] 列表中输入间隔值[ 8, 15，25, 35, 90] ，如下图所示：第五步，点击两次[确定] 后关闭图层属性对话框，图层[ tin ] 将根据指定的渲染方式进行渲染，效果如下图所示：第六步，执行[3D分析]工具栏中的命令[转换]>>[TIN转换到要素]，按下图所示设置：第七步，得到多边形形图层：[ tinSlopef] ，它表示研究区内各类坡度的分布状况，结果是矢量格式，打开其属性表可以看到属性[SlopeCode]为数值[1,2,3,4,5]，并查看矢量图层：tinSlopef 中要素属性表，其中属性[SlopeCode]1,2,3,4,5分别表示坡度范围（0-8）、(8-15)、（15-25）、（25-35）、(>35)；第八步，参照以上第六步，并按下图所示操作：然后得到如下图所示的破相多边形图层：结果分析：得到的坡向多边形中属性AspectCode的数值（-1,1,2,3,4,5,6,7,8,9）分别表示当前图斑的坡向(平坦、北、东北、东、东南、南、西南、西、西北、北)，其中1,9是相同的可以合并为1。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
地理建模原理实验报告学号：201220310262姓名：高义丰班级：1223102专业：地理信息系统指导老师：陵南燕2015年6月27日目录一、实习项目 (3)二、实习目的 (3)三、实习内容 (3)1、简单相关分析 (3)2、偏相关 (5)3、距离过程 (6)4、因子分析 (7)5、回归分析 (9)6、多元线性回归 (11)7、时序分析 (12)8、实习总结 (15)一、实习项目1.学习SPSS软件，学会如何该软件进行因子分析与回归分析（课堂）；2.学习SPSS软件，学会如何该软件随机时序分析（课堂）；3.利用SPSS软件，完成数据文件里的一系列操作。
二、实习目的在实习后根据老师讲解的内容能够对spss软件有所了解并能够掌握如何用统计软件进行相关分析、因子分析和回归分析等用实习数据完成此类实习操作，相关分析与回归分析有相关系数、相关分析与偏相关分析、距离分析。
三、实习内容1、简单相关分析在进行相关分析时，散点图是重要的工具，分析前应先做散点图，以初步确定两个变量间是否存在相关趋势，该趋势是否为直线趋势，以及数据中是否存在异常点。
否则可能的出错误结论。
输入数据后，依次单击Graphs—Scatterplot散点图确定两个变量间是否存在相关趋势，该趋势是否为直线趋势Bivariate相关分析的步骤：（1）输入数据后，依次单击Analyze—Correlate—Bivariate，打开Bivariate Correlations 对话框。
如图打开双变量相关后在点选项就会得到结果图右边结果，如图设置即可得到结果结果分析：描述性统计量表，如下：从表中可看出，Pearson相关系数为0.865，即小鸡的体重与鸡冠的相关系数为0.865，显著性水平是0.01，这两者之间不相关的双尾检验值为0.001。
从统计结果可得到，小鸡的体重与鸡冠重之间存在正相关关系，当小鸡的体重越大时，则小鸡的鸡冠越重。
并且，否定了小鸡的体重与鸡冠重之间不相关的假设。
2、偏相关当有多个变量存在时，为了研究任何两个变量之间的关系，而使与这两个变量有联系的其它变量都保持不变。
即控制了其它一个或多个变量的影响下，计算两个变量的相关性。
偏相关系数是用来衡量任何两个变量之间的关系的大小。
选择Analyze—Correlate—Partial打开偏相关，如下：在统计学中，自由度（DF）指的是计算某一统计量时，取值不受限制的变量个数。
通常df=n-k。
其中n为样本含量，k为被限制的条件数或变量个数，或计算某一统计量时用到其它独立统计量的个数。
自由度通常用于抽样分布中。
结果分析：在固定变量x2下Y与x1的偏相关系数为0.9483在a=0.001下线性关系显著。
3、距离过程距离相关分析是：对观测量之间或变量之间相似或不相似的程度的一种测量，可用于同一变量内部各个取值间，以考察其相互接近程度；也可以用于变量间，以考察预测测值对实际值的拟合优度。
距离相关分析的结果给出的是个变量或记录之间的距离大小，以供用户自行判断相似性。
选择Analyze—Correlate—Distances 距离分析设置如图所示点击确定就可以达到结果：Proximity MatrixCorrelation between Vectors of Valuesh1 h2 h3h1 1.000 .573 .731h2 .573 1.000 .088h3 .731 .088 1.000This is a similarity matrix三次测量结果的相关系数矩阵。
第一次测量与第二次测量结果的r = 0.573，第一次测量与第三次测量结果的r = 0.731，第二次测量与第三次测量结果的r = 0.088，由此可见，后两次测量的结果一致性较差，这意味着第一次恰好是后两次的“均值”，故对该指标作重复测量意义不大。
4、因子分析因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子（之所以称其为因子，是因为它是不可观测的，即不是具体的变量，这与聚类分析不同），以较少的几个因子反映原资料的大部分信息。
选择[Analyze]=>[Data Reduction]=>[Factor]，显示的[Factor Analysis]结果分析：共同度（公共因子方差），共同度越大表示Xi对因子的共同依赖程度越大，因子描述变量越有效。
两个因子对所有变量的共同度都很大，在0.880 到0.988 之间。
从结果可以看出五个变量在第一个因子上都具有大的正负荷，尤其是X4 的负荷特别大。
在第二个因子上变量X1 和X3 都有较大的正负荷，X2和X5 都有较大的负荷，X1、X3 和X2、X5 形成了鲜明的对照，而在X4上的负荷非常小。
因子得分：对公共因子的取值进行估计，计算各个样本的公共因子得分。
在公共因子的空间中，按照各个样本的因子得分值标出其对应的位置。
结果如下图所示：5、回归分析如果在研究变量之间的相关关系时，把其中的一些因素作为所控制的变量（自变量），而另一些随机变量作为它们的因变量，这种关系分析就称为回归分析。
（1）一元线性回归选择主菜单[Analyze]=>[Regression]=>[Linear]打开线性回归因变量为y，自变量为x，得到下列参数分析表：拟合优度检验：样本观察值聚集在样本回归直线周围的紧密程度利用判定系数R2来判定R2越大模型拟合度越高相关系数显著性检验：两个变量间的线性相关程度，用相关系数R来判别，SXY 称为X 与Y 的样本协方差，SX 称为X 的样本标准差，SY 称为Y 的样本标准差。
根据给定的显著性水平α和样本容量n，查相关系数表得到临界值rα。
若|r|>rα，则X 与Y 有显著的线性关系，否则X 与Y 的线性相关关系不显著。
TSS=ESS+RSS (ESS可由回归直线解释，RSS不可解释的残差e)回归方程的显著性检验（F 检验）：对回归总体线性关系是否显著的一种假设检验根据给定的显著水平α确定临界值Fα（1，n-2），或者计算F 值所对应的p 值来判定。
如果F 值大于临界值Fα（1，n-2）（或者p<α），回归方程的线性关系是显著的。
输出结果中的非标准化的系数估计值（B）及其标准误差（Std.Error）。
可以看出，系数估计值分别为b 0= 0.607和b1 = 0.542，则。
0.607+ 0.542X。
Std.Error表示b i与βi之间的差异，其值越小证明b i越可靠。
回归参数的显著性检验（t 检验）：根据样本估计结果对总体回归参数的有关假设进行检验ｔ检验的临界值是由显著水平α和自由度决定的,如果t 的绝对值大于临界值（或者p(实际显著性水平)<α），说明X 对Y具有显著的影响作用。
6、多元线性回归选择主菜单[Analyze]=>[Regression]=>[Linear]运行结果如下图所示：拟合优度检验：1.R2=0. 902，说明Y的变动中95%可由x1,x2解释2.调整判定系数去除自变量个数对拟合优度的影响3.复相关系数R等于R2开平方，反映样本观测值与拟合直线间的线性相关程度。
R=0.95，说明y与x1,x2之间相关程度为95%。
7、时序分析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。
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。
(1)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。
)(2)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。
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0，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之间的相关程度基本步骤(1)作直方图：检验正态性、零均值。
按图形Graphs—直方图Histogram如上图所示可得直方图结果：(2)作相关图：检验平稳性、周期性。
按分析—预测—自相关Autocorrelations打开选项：因为一般要求时间序列样本数据n>50，滞后周期k<n/4，所以此处控制最大滞后数值Maximum Number of Lags设定为16。
设置如下图所示：确定后得到结果：我们从上图中看出样本序列数据的自相关系数在某一固定水平线附近摆动，且按周期性逐渐衰减，所以该时间序列基本是平稳的。
相关图法：运行自相关图后，出现自相关图和偏自相关图从图中看出：自相关系数和偏相关系数具有相似的衰减特点：衰减快，相邻二个值的相关系数约为0.3，滞后二个周期的值的相关系数接近0.1，滞后三个周期的值的相关系数接近0.05。
所以，基本可以确定该时间序列为ARMA（p,q）模型形式，但还不能确定是ARMA （1,1）或是ARMA（2,2）模型。
但若前四个自相关系数分别为0.40、0.16、0.064、0.0256，则可以考虑用AR(1) 模型实际上，具体应用自相关图进行模型选择时，在观察ACF与PACF函数中，应注意的关键问题是：函数值衰减的是否快；是否所有ACF之和为-0.5，即进行了过度差分；是否ACF与PACF的某些滞后项显著和容易解释的峰值等。
但是，仅依赖ACF图形进行时间序列的模型识别是比较困难的。
8、实习总结spss是我们专业接触的第一个统计软件,功能强大,虽然对它很多的输出结果还不会做出解释,但是随着学习的深入,这将使我们的一个好帮手,帮助我们完成很多的任务在SPSS 学习中,对它的认识由浅入深，循序渐进,实践中遇到的各种问题逐个攻克,学习这种在日常工作中有价值的分析方法，使我们更能轻易应付日后的社会的信息工作;掌握这种高级的技能,对我们工作就业提供了竞争优势。
在做时序分析的时候，借着前面的讲解，后面的操作还是比较好做的，比较棘手的是输出结果的解释，有的时候是上网搜的，有的时候是翻翻书，实在不行了只能问同学，其实大家都不太懂这个，才刚刚这种课程，还不能轻松的对输出结果进行解释，但是以后我们一定会掌握好这个软件的。
Spss的实习也是我们开始认识统计开始熟悉统计的过程，少部分东西在统计学原理上已经学过了，很多还没有学到，等学过之后我想我们就能很轻松地对结果进行解释了。