时间序列分析概念与时间序列分解模型
定义：时间序列也称动态序列，是指将某种现象的指标数值按照时间顺序排列而成的数值序列。时间序列分析大致可分成三大部分，分别是描述过去，分线规律和预测未来，本讲将主要介绍时间序列分析中常用的三种模型：季节分解指数平滑方法，ARIMA模型，并将结合SPSS软件对时间序列数据进行建模。
核心：对未来一段时间的数据进行预测。
时间序列数据：
文章来源地址https://www.toymoban.com/news/detail-635186.html
基本概念
两要素：时间要素，数值要素。
文章来源：https://www.toymoban.com/news/detail-635186.html
区分时期和时点时间序列：
主要看含义是否可以相加eg近十年GDP是相加可得到的并且具有一定的意义，但近十小时温度相加起来并无意义。
时间序列分解：
相当长一段时间内，指标的趋势。
不可预知和无规律（相当于回归中的扰动项）
四种变动与指标变动关系：
叠加关系&乘积关系
随t推列各种关系变化越大则为成乘积关系，保持恒定则为叠加关系。
例子：
在处理之前先检查是否有缺失值
- 若在开头/结尾直接删除不考虑
- 若在中间需要Spss进行补充：转换-替换缺失值-导入变量。
五种替换缺失值的方法：
Spss操作：
- 定义时间变量，根据自己数据的时间选择适合的时间变量，使得自己的数据更加标准化防止出现误差。
步骤：数据-定义日期和时间-选择合适的个案-将自己数据的第一个时间点填入第一个个案中。
- 时间序列图：
季节性分解：
结果解读：
利用Spss生成数据相对应的时间序列图，观察图的趋势和数据指标等。
时间序列分析：
- 建立时间序列模型
这里的建模Spss会告诉我们符合我们数据的模型。但在将此操作之前先将模型进行补充讲解。
指数平滑模型：
（只做一些了解即可）
Simple模型：
线性趋势模型：
阻尼趋势模型：
霍特趋势预测和阻尼趋势预测
季节性模型：简单季节性&温特季节性（加法/乘法）
简单季节性：
（但是只能预测一期的数据）
温特加法模型：
温特乘法模型：
温特加法和乘法预测：
时间序列分析的模型Spss应用
模型过于晦涩难懂，又想了解的可以去查阅相关资料也方便自己的理解。
时间序列图形：
前期准备工作：
建模
若有离群值可进行自动检测：全部勾选
建立模型：
在保存中我们可以选择预测的年份
白噪声进行残差检验
参数估计值表格：Spss给出我们什么模型我们就把其方程，参数写上去。
预测的结果和效果图
预测结果：
- 将已有的数字置信区间清楚，只保留要预测的。
- 分析-时间序列预测-序列图-自变量x+预测x的置信区间导入。
案例二人口预测：
操作步骤1.定义事件
2画出时间时间序列图
- 根据spss所给模型创建传统模型 。分析-时间序列预测-创建传统模型（指甲因变量）
得到的预测图想要添加坐标点：双击编辑—线-右击-添加标记。
案例上证指数
发现是简单季节性模型，由于只能预测一期不符合数据的理想预测，可能存在离群值，需要进行离群值的检验。
剔除离群值后模型发生改变：
数据也发生了改变：
案例GDP增长
预测中的两要，两不要：
要结合背景，要合理假设。
不要硬套模型，不要不做解释。
课后作业：
博主的预测值是检测了离散值之后的图形，但发现与不检测并没有什么区别。
到了这里，关于【数学建模】--时间序列分析的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
