《spss统计分析与行业应用案例详解》时间序列分析（下）----实例40 41

实例40 ARIMA模型

ARIMA模型的功能与意义

ARIMA模型是时间序列分析中最常用的模型之一，它提供了一套有效的预测技术，在时间序列预测中具有广泛的应用。

相关数据

分析过程

分析-预测-创建模型

条件

统计量

结果分析

（1）模型描述表

（2）模型拟合表

拟合情况良好

（3）模型参数表

AR自回归部分的三项显著性水平分别为0.549，.0,00和0.033，而MA移动平均部分的两项显著性水平0.607和0.160.因此ARIMA（3,1,2）比较合适。

（4）模型预测与拟合图

拟合值波动性非常接近实际观察值波动性

实例41季节分解模型

季节分解模型的功能与意义

季节变动趋势是时间序列的四种主要变动趋势之一，所谓季节性变动是指由于季节因素导致的时间序列的有规律的变动。季节分解的主要方法包括按月（季）平均法和移动平均趋势剔除法。

数据来源

某城市月度平均气温

分析过程

数据-定义日期

分析-预测-季节性分解

结果分析

（1）模型描述表

（2）季节性因素表

（3）数据文件的变量视图

ERR_1、SAS_1、SAF_1、STC_1分别表示随机波动系列、去除季节性因素后的序列、季节性因素序列、序列趋势和循环成分。