《spss统计分析与行业应用案例详解》时间序列分析（上）----实例38 39

实例38 时间序列的预处理

时间序列的预处理的功能与意义

预处理是指定义时间序列和对时间序列平稳化处理。他是进行时间序列分析前必须进行的一个环节，因为SPSS无法自动识别时间序列数据并且在处理的过程中必须明确考虑时间序列的非平稳性。

相关数据

分析过程

数据-定义日期

转换-创建时间序列

结果分析

（1）新序列名称“工业生产总值_1”,该序列三个缺失值，有效个案587个，平稳处理的方法是DIFF，即季节差分方法。

（2）时间序列预处理结果图

实例39指数平滑模型

指数平滑模型的功能与意义

指数平滑模型可以对不规则的时间序列数据加以平滑，从而获得其变化规律和趋势，以此对未来的经济数据进行推断和预测。指数平滑模型的思想是对过去值和当前值进行加权平均，以及对当前的权数进行调整以期抵消统计数值的摇摆影响，得到平滑的时间序列。指数平滑法不舍弃过去的数据，但是对过去的数据给予逐渐减弱的影响程度。

相关数据

上节结果

分析过程

分析-预测-创建模型

条件

统计量

结果分析

（1）模型拟合结果表

平稳的R方值为0.571，而R方值为0.897，这是由于因变量数据为季节性数据，因此平稳的R方更具代表性。拟合情况比较良好。

（2）模型统计量结果表

Ljung-BoxQ统计量值为121.541，显著性水平0.000，拒绝原假设，说明模型拟合后的残差序列是存在自相关的，因此采用ARIMA模型继续拟合。

（3）指数平滑法模型参数表

Alpha值0.999，P值0.000，不仅作用大而且非常显著，SPREAD尽管为季节性数据，但该序列几乎没有任何季节性特征。

（4）指数平滑模型拟合图

指数平滑模型对利差的拟合情况非常好。