时间序列分析

通过描述过去和分析规律，最后预测未来。

时间序列数据：同一对象不同时间

例如: (1)从出生到现在，你的体重的数据（每年生日称一次。

(2)中国历年来GDP的数据。 (3）在某地方每隔一小时测得的温度数据。

时间序列由两个组成要素构成: 1、第一个要素是时间要素; 年、季度、月、周、日、小时、分钟、秒

2、第二个要素是数值要素。

时间序列根据时间和数值性质的不同，可以分为时期时间序列和时点时间序列。时期序列中，数值要素反映现象在一定时期内发展的结果;

时点序列中，数值要素反映现象在一定时点上的瞬间水平。

区分时期和时点序列时期序列可加，时点序列不可加例如:

(1)从出生到现在，你的体重的数据（每年生日称一次)。

(2）中国历年来GDP的数据。

(3）在某地方每隔一小时测得的温度数据。

(1）和 (3) 是时点时间序列;

(2)是时期时间序列

时期序列中的观测值反映现象在一段时期内发展过程的总量，不同时期的观测值可以相加，相加结果表明现象在更长一段时间内的活动总量;而时点序列中的观测值反映现象在某一瞬间上所达到的水平，不同时期的观测值不能相加，相加结果没有实际意义。

时间序列分解

因为时间序列是某个指标数值长期变化的数值表现，所以时间序列数值变化背后必然蕴含着数值变换的规律性，这些规律性就是时间序列分析的切入点。

一般情况下，时间序列的数值变化规律有以下四种:

长期变动趋势季节变动规律周期变动规律不规则变动（随机扰动项）一个时间序列往往是以上四类变化形式的叠加。

长期趋势：T

季节一是季节

季节趋势：S

循环一般以年

循环变动：C

不规则变动：I

四种变动与指标数值最终变动的关系可能是叠加关系，也可能是乘积关系。

叠加模型和乘积模型 1 如果四种变动之间是相互独立的关系，那么叠加模型可以表示为: Y = T + S + C + I Y =T+S+C+I Y=T+S+C+I

(⑵)如果四种变动之间存在相互影响关系，那么应该使用乘积模型:

Y=T×S×C×I

Y:指标数值的最终变动;

T:长期趋势变动; S:季节变动;

C:循环变动;

Ⅰ:不规则变动。

使用条件 (1）数据具有年内的周期性时才能使用时间序列分解，例如数据是月份数据(周期为12)、季度数据(周期为4)，如果是年份数据则不行。 (2）在具体的时间序列图上，如果随着时间的推移，序列的季节波动变得越来越大，则反映各种变动之间的关系发生变化,建议使用乘积模型;反之，如果时间序列图的波动保持恒定，则可以直接使用叠加模型;当然，如果不存在季节波动，则两种分解均可以。

定义时间与日期

spss处理缺失值

头部和尾部直接删除

缺失值替换的方法

SPSS定义时间变量（好习惯）

画出时序图，可以自行查阅资料

总结：

建立时间序列模型

模型

只能得到一期的结果

应用

了解时间序列的变化趋势，做一个序列表就可以了，单击"分析"，里面选择"时间序列预测，选择"序列图"对话框，然后把'平均值'移到"变量"框里面，‘DATE_’移到"时间轴标签"框中，单击"确定"。结果如图

单击“分析”，选择时间序列预测，然后选择“季节性分解”，弹出“季节性分解”对话框，确认无误之后点击确定，如图：

发现多了四个变量，ERR表示的误差分析；SAS表示的是季节因素校正后序列；SAF表示的季节因子；STC表示的是长期趋势和循环变动序列。

后面就是开始预测了： 1、单击“分析”，选择“时间序列预测”，然后选择“创建传统模型”，之后就会弹出“时间序列建模”对话框。 2、将“平均值”移至“因变量”框中，然后确定中间的“方法”，在下拉列表中选择“专家建模器”项，单击右侧的“条件”按钮，弹出“时间序列建模器：专家建模器条件”对话框。 3、在“时间序列建模器：专家建模器条件”对话框的“模型”选项卡中，在“模型类型”框中选择“所有模型”项，并勾选“专家建模器考虑季节性模型”复选框，设置完，点“继续”按钮 4、在“时间序列建模器”对话框中，切换至“保存”选项卡中，勾选“预测值”复选框，单击“导出模型条件”框中“XML文件”后面的“浏览”按钮，然后设置导出的模型文件和保存路径，然后单击“确定”按钮就可以了。