clementine自带实例_时间序列.ppt

公司对预测男装销售额感兴趣，现手头有最近十年的销售数据流文件demosclassification_modulecatalog_forecast.str数据文件 demoscatalog_seasfac.sav预测男装销售额先画出时间序列图，以便决定使用哪种模型。看图是帮助你选择模型的常用方法【】。你应该问自己以下问题：序列是否有总体趋势？如果有，这个趋势会持续，还是会随着时间衰减？【】这个序列是否展现出季节性？如果是，季节波动性是 随着时间增强还是保持总体不变？拖入SPSS源节点，选择需要建模的数据文件点击读取按钮把men字段的方向置为输出其余字段的方向置为无添加一个时间区间节点至SPSS源节点双击时间区间节点，选择时间区间为月选择从数据构建选择字段为date添加一个时间散点图至时间区间节点增加men字段到序列当中去掉标准化的勾点击执行序列图分析：1.序列图显示大体是上升趋势，上升趋势看起来是持续的，展示了其线性趋势。2.如竖轴所示，销售额有明显的季节差异，一年中12月销售额最高。季节波动性随着时间的推移而增强，因此比起加数算法，我们应更多的考虑乘数算法。确认了序列图特征之后，我们可以开始试着建立模型了。指数平滑法对这种趋势，季节性波动的时间序列是有用的。构建一个最优的指数平滑模型包括确定模型类型模型是否需要包含趋势，季节性或者两者兼顾然后为模型设置最佳参数。从男装的销售额序列图可以看出，销售额既有线性趋势成分，也有乘数季节性成分，由此我们应该用Winters模型。首先，我们先探索一个简单的模型（不考虑趋势和季节性），然后试验Holt模型（考虑线性趋势但不考虑季节性）。这样做是为了练习选择哪种模型更适合当前的数据，这是成功建模的基本技巧。添加一个时间序列节点至时间区间在模型标签下，设置方法为指数平滑点击执行生成模型点击确定关闭时间序列对话框将生成的模型节点连接至时间分区节点将时间散点图节点连接至生成的模型节点图标签，在序列添加字段men和$TS-men去掉在单独面板中显示序列和标准化的钩，点击执行尝试一个简单的指数平滑模型men表示实际数据，$TS-men表示时间序列数据。尽管这个简单的模型展示了逐步（但略显呆板）的上升趋势，但是它没考虑到季节性。你可以安全的丢弃这个模型。点击确定关闭时间散点图删掉生成的模型，但留下时间散点图节点我们再来试下Holts线性模型。至少相对简单的模型，它能更好的反应趋势，尽管它也对季节性的反应不够好双击时间序列节点在模型标签一栏，确认建模方法还是线性平滑，点击标准选取Holts线性趋势点击确定关闭对话框，点击执行把生成的模型连接到时间分区节点将模型输出流连接到时间散点图，做图Holts模型生成并展现了带有上升趋势特征的比简单模型更为平滑的效果图，但它依然没有把季节性考虑进去，所以我们同样可以舍弃这个模型。关闭散点图，并将刚生成的建模节点从数据流区域中删去你可能会想起，开始时画的时间散点图显示，男装销售数据同时具有线性上升趋势和乘数季节性。因此更合适的模型，是Winters模型重新打开时间序列节点，在建模标签，确认指数平滑依然被选中，点击标准选择Winters乘数法点击确定，点击执行以生成新模型连接新模型至时间分区节点，连接时间散点图至新模型节点这样看起来更好一些吧这个模型既反映了数据的趋势性又反映了数据的季节性本数据集包含十年以及发生在每年十二月的季节性峰值。这十个峰值预测结果跟实际数据相当吻合。然而，预测结果依然过于强调指数平滑的限制。观察上升下降尖锐的部分，该模型还有一些显著的结构没有考虑到。如果你首要关心的是模型的长期趋势，再加上一点季节性波动，那么指数平滑可能是一个不错的选择。要建一个更复杂模型，我们可以考虑用ARIMA（自回归求和移动平均模式autoregressive integrated moving average）过程ARIMA过程能为时间序列创建细微调整的自回归求和移动平均模型。相比指数平滑算法，对于趋势和季节ARIMA提供了更为灵活的建模方法。并且允许在模型中增加预测变量的收益。继续讨论列表公司要建立预测模型的例子，目前为止，我们看到公司是怎样收集男装销售额月数据以及用它们来解释销售额的变化。我们可能还有邮件数，接受订单电话的数量，客户代表数量等数据。这些数据对于预测有用吗？多因子模型真的比单因子模型好？我们将使用ARIMA过程创建一个多因子模型，观察是否与单因子线性平滑模型有较大差异。ARIMA方法能让用户说明自回归的顺序，差分，平均步移。手工决定这些因子的值是一件耗时耗精力的事情，因此，在这个例子中，我们使用专家模型来为我们选择适用的ARIMA模型。我们将把数据集里面的其他一些数据用来建模，看起来应该包括以下数据：邮寄编目的数量（字段mail），编目的页数（page），订单热线的数量（phone），打印广告总额（print），客服代表的人数（service）清除刚才生成的实验模型打开SPSS源节点在类型标签，设置mail，page，phone，print，service字段为输入确认men为输出，其余的为无点击确定打开时间序列节点，在模型标签，设置方法为专家建模器，点击标准在专家模型标准对话框中，选择仅限于ARIMA模型并确认专家建模器考虑季节模型被选中。点击确定关闭对话框点击执行生成ARIMA模型将生成的ARIMA模型节点连接到时间分区节点并双击打开模型节点我们可以看到专家建模器为模型选择了两个显著的预测变量点击确定关闭对话框将模型接到时间散点图节点，并执行，可得上图可以看出，这个模型产生的图形匹配了九七年中的向下钉型曲线，而且匹配得不错我们可以继续改进模型，但是从这里开始，都不会有很大的改进。我们已经建立的ARIMA模型，已经很不错了，可以拿来预测来年的销售额。点击确定关闭时间散点图窗口删除刚才生成的模型节点打开时间分区节点并点击预报标签勾选将记录扩展至未来，并输入12要使用多因子更精确的做预测，需要说明估值以便更精确的提供预测在预报中使用的未来值里，添加mail，page等五个字段，将值设置为最近点的平均值（Clementine将取最近三个月的均值），点击确定执行时间序列节点连接生成的模型和时间散点图，生成散点图如图，预测1999年的如预期的一样好：1.数据在十二月峰值以后回归至正常水平2.在后半年有个稳定的上升趋势，且明显高于之前的年份到此，已经成功的建立好了一个复杂的时间序列模型，不仅仅包含上升趋势，还包含季节性趋势以及使用到了其他变量。同时，我们看到，如何通过一次次的尝试和错误，逐步接近更为精确的模型，我们还能使用该模型来预测未来。