SPSS建立时间序列乘法季节模型实战案例
时间序列分析-------乘法季节模型
实验 名称 |
乘法季节模型 |
实验 内容 |
乘法季节模型 |
实验 目的 |
2、熟练建立乘法季节模型 |
推荐阅读
- 乘法季节模型结构
乘法季节模型建立
绘制时序图
时序图显示该序列具有长期增长性趋势和以年为周期的季节效应
差分平稳化
对原序列做1阶12步差分,希望提取原序列的趋势效应和季节效应,差分后的时序图如下所示:
易得模型平稳
白噪声检验
P<α,故拒绝原假设,即差分后的序列属于非白噪声序列
综上:差分后的序列是平稳非白噪声序列,需要对差分后的序列进一步拟合ARMA模型
时序图定阶
自相关图显示延迟12阶自相关系数大于两倍标准差,这说明差分后序列中仍然蕴含非常显著的季节效应,延迟1阶的自相关系数也大于2倍标准差,这说明差分后序列还具有短期相关性。
- 短期相关特征:自相关图和偏自相关图显示12阶以内的自相关系数,ARMA(1,1),ARMA(1,0),ARMA(0,1)提取差分后序列的短期自相关信息
- 季节自相关特征:季节自相关特征时自相关系数截尾,偏自相关系数拖尾,这里可以永12步为周期的ARMA(0,1)12模型来提取差分后序列的季节自相关信息。
参数估计和模型检验
综合前面的差分信息,我们要建立ARIMA(1,1,1)*(0,1,1)12、ARIMA(1,1,0)*(0,1,1)12、ARIMA(0,1,1)*(0,1,1)12模型
- ARIMA(1,1,1)*(0,1,1)12
P<α,参数的显著性不通过检验
- ARIMA(0,1,1)*(0,1,1)12
模型的显著性检验:
建立模型:
- ARIMA(1,1,0)*(0,1,1)12
参数的显著性检验通过
模型的显著性检验
建立模型:
模型预测
> 到这里就结束了,如果对你有帮助你,欢迎点赞关注,你的点赞对我很重要
文章来源: blog.csdn.net,作者:北山啦,版权归原作者所有,如需转载,请联系作者。
原文链接:blog.csdn.net/qq_45176548/article/details/111416495
- 点赞
- 收藏
- 关注作者
评论(0)