SPSS时间序列:应用时间序列模型
一、应用时间序列模型(分析-预测-应用模型)
“应用时间序列模型”过程从外部文件加载现有的时间序列模型,并将它们应用于活动数据集。使用此过程,可以在不重新建立模型的情况下获得其新数据或修订数据可用的序列的预测值。模型是使用时间序列建模器过程生成的。
1、示例。假定您是一家大型零售店的库存经理,您负责管理5,000种产品。您曾使用专家建模器创建了一些模型,用来预测每种产品在未来三个月的销售情况。您的数据仓库每个月都会使用实际销售数据进行刷新,您希望使用这些数据来生成每月更新预测值。通过?应用时间序列模型?过程,您可以使用原有模型,然后只需重新估计模型参数以说明新数据即可实现此预测。
2、统计量。拟合优度测量:平稳的R方、R方(R2)、均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对误差百分比(MAPE)、最大绝对误差(MaxAE)、最大绝对误差百分比(MaxAPE)、标准化BIC准则。残差:自相关函数、偏自相关函数、Ljung-Box Q。图。跨所有模型的摘要图:平稳的R方、R方(R2)、均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对误差百分比(MAPE)、最大绝对误差(MaxAE)、最大绝对误差百分比(MaxAPE)、标准化BIC准则的直方图;残差自相关和偏自相关的箱图。单个模型的结果:预测值、拟合值、观察值、置信区间的上限和下限、残差自相关和偏自相关。
二、统计量(分析-预测-应用模型-统计量)
1、比较模型的统计量。这组选项控制如何显示包含所有模型的统计量的表。每个选项分别生成单独的表。可以选择以下选项中的一个或多个:
1.1、拟合优度。固定的R方、R方、均方根误差、平均绝对误差百分比、平均绝对误差、最大绝对误差百分比、最大绝对误差以及标准化的BIC准则的摘要统计量和百分位数表。
1.2、残差自相关函数(ACF)。所有估计模型中残差的自相关摘要统计和百分位表。此表只在重新估计模型参数时可用(?模型?选项卡上的根据数据重新估计)。
1.3、残差部分自相关函数(PACF)。所有估计模型中残差的部分自相关摘要统计和百分位表。此表只在重新估计模型参数时可用(?模型?选项卡上的根据数据重新估计)。
2、个别模型的统计量。这组选项控制如何显示包含每个模型的详细信息的表。每个选项分别生成单独的表。可以选择以下选项中的一个或多个:
2.1、参数估计。显示每个模型的参数估计值的表。为指数平滑法和ARIMA模型显示不同的表。如果存在离群值,则它们的参数估计值也将在单独的表中显示。
2.2、残差自相关函数(ACF)。按每个估计模型的延迟显示残差自相关表。该表包含自相关的置信区间。此表只在重新估计模型参数时可用(?模型?选项卡上的根据数据重新估计)。
1.3、残差部分自相关函数(PACF)。按每个估计模型的延迟显示残差部分自相关表。该表包含部分自相关的置信区间。此表只在重新估计模型参数时可用(?模型?选项卡上的根据数据重新估计)。
3、显示预测值。显示每个模型的模型预测值和置信区间的表。
三、图表(分析-预测-应用模型-图表)
序列。选择(选中)此选项可获取每个模型的预测值的图。只有在重新估计模型参数时(?模型?选项卡上的根据数据重新估计),观察值、拟合值、拟合值的置信区间以及自相关才可用。可以选择在图中包含以下一项或多项:
◎观察值。相依序列的观察值。
◎预测值。预测期的模型预测值。
◎拟合值。估计期的模型预测值。
◎预测值的置信区间。预测期的置信区间。
◎拟合值的置信区间。估计期的置信区间。
残差自相关函数(ACF)。显示每个估计模型的残差自相关图。
残差部分自相关函数(PACF)。显示每个估计模型的残差部分自相关图。
四、输出过滤(分析-预测-应用模型-输出过滤)
1、最佳拟合模型。选择(选中)此选项将在输出中包含最佳拟合模型。选择拟合优度测量并指定要包含的模型数。选择此选项不妨碍同时选择最差拟合模型。如果同时选择两者,则输出将由最差拟合模型和最佳拟合模型组成。
1.1、模型的固定数量。指定为n个最佳拟合模型显示结果。如果指定的数量超过模型的总数,则显示所有模型。
1.2、占模型总数的百分比。指定为其拟合优度值在所有模型的前n个百分比范围内的模型显示结果。
2、最差拟合模型。选择(选中)此选项将在输出中包含最差拟合模型。选择拟合优度测量并指定要包含的模型数。选择此选项不妨碍同时选择最佳拟合模型。如果同时选择两者,输出将由最佳拟合模型和最差拟合模型组成。
2.1、模型的固定数量。指定为n个最差拟合模型显示结果。如果指定的数量超过模型的总数,则显示所有模型。
2.2、占模型总数的百分比。指定为其拟合优度值在所有模型的后n个百分比范围内的模型显示结果。
3、拟合优度。选择用于过滤模型的拟合优度测量。缺省值为固定的R方。
数据分析咨询请扫描二维码
在如今的数据驱动时代,掌握数据分析的工具和方法不仅是提高工作效率的关键,也是开拓职业机会的重要技能。数据分析涉及从数据的 ...
2024-11-08在现代商业环境中,企业正在逐步认识到数据挖掘技术在客户行为分析中的重要性。通过深度分析客户数据,这项技术不仅可以帮助企业 ...
2024-11-08数据挖掘分析是从大量数据中发现隐藏模式和有用信息的过程。尤其是在图数据挖掘中,提供了分析复杂关系和结构的独特视角。图数据 ...
2024-11-08在当今快速发展的商业环境中,提高运营效率已成为企业取得成功的关键因素。企业需要通过优化工作流程、利用技术创新和提升员工技 ...
2024-11-08Python 是一门非常适合初学者学习的编程语言。其简洁明了的语法、丰富的功能库,以及广泛的应用领域,使其成为学习编程的理想选 ...
2024-11-08在当今快速变化的商业环境中,金融数字化已经成为中小企业(SMEs)发展的关键驱动力。通过采用数字工具和技术,中小企业能够提高 ...
2024-11-08中小企业在全球经济中扮演着重要角色,然而,面对数字化浪潮,这些企业如何有效转型成为一大挑战。数字化转型不仅是技术的升级, ...
2024-11-08选择合适的数据分析方法是数据分析流程中的关键环节。它影响最终结论的准确性和可信度。在这个过程中,需要综合考虑数据的性质、 ...
2024-11-08在当今数据驱动的商业环境中,数据分析师扮演着至关重要的角色。他们帮助企业从大量数据中提取有用的洞察,从而推动决策制定和战 ...
2024-11-07在现代商业环境中,商务数据分析师扮演着至关重要的角色。作为联系业务需求与数据洞察之间的桥梁,数据分析师需要具备一系列技能 ...
2024-11-07在现代商业环境中,商务数据分析师扮演着至关重要的角色。作为联系业务需求与数据洞察之间的桥梁,数据分析师需要具备一系列技能 ...
2024-11-07在现代商业环境中,数据挖掘发挥着至关重要的作用。它不仅帮助企业从庞大的数据集中提取有价值的信息,还为企业的决策和业务运营 ...
2024-11-07数据分析可视化是一种通过图形化方式展现数据的技术,它使复杂的数据变得直观易懂,从而帮助我们更好地做出决策。在这个快速发展 ...
2024-11-07数据分析是一项至关重要的技能,尤其在当今数据驱动的世界中。Python以其强大的库和简单的语法成为了数据分析领域的佼佼者。本文 ...
2024-11-07在现代数据驱动的环境中,数据分析师扮演着至关重要的角色。他们需要掌握多种工具,以满足数据分析、处理和可视化的需求。无论是 ...
2024-11-07作为一名业务分析师,你将发现自己处于企业决策和数据驱动战略之间的桥梁位置。这个角色要求掌握一系列技能,以便有效地将数据转 ...
2024-11-07CDA中科院城市环境研究所(厦门)内训圆满成功 2017年9月12日-15日,CDA数据分析师在中科院城市环境研究所(厦门)进行了 ...
2024-11-07数据分析是现代商业和研究领域不可或缺的重要工具。无论是为了提高业务决策的准确性,还是为了发掘隐藏在数据中的潜在价值,了解 ...
2024-11-06数据分析是一个精细且有序的过程,旨在从海量数据中提取有用的信息,为决策提供有力支持。无论你是新手还是有经验的分析师,理解 ...
2024-11-06在当今竞争激烈的商业环境中,业务分析师(Business Analyst, BA)的角色变得愈加重要。随着企业对数据驱动决策的依赖加深,业务 ...
2024-11-06