SPSS建立时间序列乘法季节模型实战案例

举报
北山啦 发表于 2020/12/23 00:21:01 2020/12/23
【摘要】 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 使用Python完成时间序列分析基础SPSS建立时间序列乘法季节模型实战案例SPSS建立时间序列加法季节模型实战案例Python建立时间序列ARIMA模型实战案例 乘法季节模型结构   乘法季节模型建立 绘制时序...

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

  1. 使用Python完成时间序列分析基础
  2. SPSS建立时间序列乘法季节模型实战案例
  3. SPSS建立时间序列加法季节模型实战案例
  4. Python建立时间序列ARIMA模型实战案例
  • 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。     

  1. 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
  2. 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

【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。