数学建模spss-时间预测-心得总结及实例.doc

《数学建模spss-时间预测-心得总结及实例.doc》由会员分享，可在线阅读，更多相关《数学建模spss-时间预测-心得总结及实例.doc（18页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、一周总结，底稿供参考我们通过案例来说明：假设我们拿到一个时间序列数据集：某男装生产线销售额。一个产品分类销售公司会根据过去 10 年的销售数据来预测其男装生产线的月销售情况。现在我们得到了10年120个历史销售数据，理论上讲，历史数据越多预测越稳定，一般也要24个历史数据才行！大家看到，原则上讲数据中没有时间变量，实际上也不需要时间变量，但你必须知道时间的起点和时间间隔。当我们现在预测方法创建模型时，记住：一定要先定义数据的时间序列和标记！这时候你要决定你的时间序列数据的开始时间，时间间隔，周期！在我们这个案例中，你要决定季度是否是你考虑周期性或季节性的影响因素，软件能够侦测到你的数据的季节性

2、变化因子。定义了时间序列的时间标记后，数据集自动生成四个新的变量：YEAR、QUARTER、MONTH和DATE（时间标签）。接下来：为了帮我们找到适当的模型，最好先绘制时间序列。时间序列的可视化检查通常可以很好地指导并帮助我们进行选择。另外，我们需要弄清以下几点：此序列是否存在整体趋势？如果是，趋势是显示持续存在还是显示将随时间而消逝？此序列是否显示季节变化？如果是，那么这种季节的波动是随时间而加剧还是持续稳定存在？这时候我们就可以看到时间序列图了！我们看到：此序列显示整体上升趋势，即序列值随时间而增加。上升趋势似乎将持续，即为线性趋势。此序列还有一个明显的季节特征，即年度高点在十二月。季节

3、变化显示随上升序列而增长的趋势，表明是乘法季节模型而不是加法季节模型。此时，我们对时间序列的特征有了大致的了解，便可以开始尝试构建预测模型。时间序列预测模型的建立是一个不断尝试和选择的过程。spss提供了三大类预测方法：1-专家建模器，2-指数平滑法，3-ARIMA 指数平滑法指数平滑法有助于预测存在趋势和/或季节的序列，此处数据同时体现上述两种特征。创建最适当的指数平滑模型包括确定模型类型（此模型是否需要包含趋势和/或季节），然后获取最适合选定模型的参数。1-简单模型预测（即无趋势也无季节）首先我们采用最为简单的建模方法，就是简单模型，这里我们不断尝试的目的是让大家熟悉各种预测模型，了解模型

4、在什么时候不适合数据，这是成功构建模型的基本技巧。我们先不讨论模型的检验，只是直观的看一下预测模型的拟合情况，最后我们确定了预测模型后我们再讨论检验和预测值。从图中我们看到，虽然简单模型确实显示了渐进的上升趋势，但并不是我们期望的结果，既没有考虑季节性变化，也没有周期性呈现，直观的讲基本上与线性预测没有差异。所以我们拒绝此模型。2-Holt线性趋势预测Holt线性指数平滑法，一般选择：针对等级的平滑系数lapha=0.1,针对趋势的平滑系数gamma=0.2；从上面的拟合情况看，Holt预测模型更平滑了，也就是说Holt模型比简单模型显现了更强的平滑趋势，但未考虑季节因素，还是不理想，所以还应

5、放弃此模型。3-简单季节性模型当我们考虑了季节性变化后，简单季节性预测模型基本上较好的拟合了数据的大趋势，也就是考虑了趋势和季节。4-Winters相乘法预测模型我们再次选择Winters预测模型此时，在数据集的时间跨度为10年，并且包含 10 个季节峰值（出现在每年十二月份）中，简单季节模型和Winters模型都扑捉到了这10个峰值与实际数据中的10个年度峰值完全匹配的预测结果。此时，我们基本上可以得到了一个比较满意的预测结果。此时也说明，无论采用指数平滑的什么模型，只要考虑了季节因素，都可以得到较好结果，不同的季节性指数平滑方法只是细微差异了。但是，我们仔细看预测值和拟合值，还是有一些上升

6、和下降的趋势和结构没有扑捉到。预测还有改进的需求！5-ARIMA预测模型ARIMA模型是自回归AR和移动平均MA加上差分考虑， 我们采用专家建模器，但指定仅限ARIMA模型，并考虑季节性因素。此时，我们看到模型拟合并相比较简单季节性和Winters模型没有太大的优势，结果可接受，但是大家注意到没有，实际上我们一直没有考虑自变量的进入问题，假如我们有其它变量可能会影响到男装销售收入，情况又会发生什么变化呢？时间序列预测技术之三含自变量的ARIMA模型预测下面的数据延续前两篇的案例，只是增加了自变量，（因为手头这个案例没有干预因素变量）在我们增加了5个自变量后，采用预测建模方法，选择专家建模器，但

7、限制只在ARIMA模型中选择。确定后，得到分析结果，我们现在来看一下与原来的模型有什么不同。 从预测值看，比前一模型有了改进，至少这时候的模型捕捉了历史数据中的下降峰值，这可以认为是当前比较适合的拟合值了。 如果我们观察预测结果，可以发现模型选择了两个预测变量。注意：使用专家建模器时，只有在自变量与因变量之间具有统计显著性关系时才会包括自变量。如果选择ARIMA模型，“变量”选项卡上指定的所有自变量（预测变量）都包括在该模型中，这点与使用专家建模器相反； 当确定了最终选择的预测模型和方法后，我们就可以预测未来了，当然你要指定预测未来的时间点，这里我们时间包括年、季度和月份；假定我们预测未来半年

8、的销售收入。我们分别设定：预测值输出，95%置信度的上下限。注意：SPSS中文环境有个小Bug，必须改一下名字！ 在选项中，选择你的预测时间，预测期将根据你事先定义的数据时间格式填写。（后面的模型为了让大家看清楚，实际上我预测了一年的数据，也就是2010年的4个季度的12个月）。 自变量的选择问题，在预测未来半年的销售收入中，ARIMA模型可以把其它预测变量纳入考虑，但如何确定未来这些预测变量的值呢？ 主要方法可以考虑：1）选择最末期数据；2）选择近三期数据的平均；3）选择近三期的移动平均这里我们选近三期移动平均作为预测自变量数值。上面就是预测结果！于此同时，SPSS活动数据集中也存储了预测值

9、！ 最后，我们要解决时间序列预测的检验和统计问题！ 实际上我们可以通过软件得到各种统计检验指标和统计检验图表！最后我们看一眼统计检验指标结果：比如：Sig值越大越好，平稳得R方也是越大越好 Sig.列给出了 Ljung-Box 统计量的显著性值，该检验是对模型中残差错误的随机检验；表示指定的模型是否正确。显著性值小于0.05 表示残差误差不是随机的，则意味着所观测的序列中存在模型无法解释的结构。 平稳的R方：显示固定的R平方值。此统计量是序列中由模型解释的总变异所占比例的估计值。该值越高（最大值为 1.0），则模型拟合会越好。 检查模型残差的自相关函数 (ACF) 和偏自相关函数 (PACF) 的值比只查看拟合优度统计量能更多地从量化角度来了解模型。合理指定的时间模型将捕获所有非随机的变异，其中包括季节性、趋势、循环周期以和其他重要的因素。如果是这种情况，则任何误差都不会随着时间的推移与其自身相关联（自关联）。这两个自相关函数中的显著结构都可以表明基础模型不完整。18 / 18