实验八 spss11中的时间序列分析
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
实验八spss11中的时间序列分析
一、实验目的
了解spss11中时间序列分析的简单方法
二、实验原理介绍
1.SPSS中时间序列分析简要介绍
依时间顺序排列起来的一系列观测值称为时间序列,跟大部分的统计不同,这类资料的先后顺序是不能忽视的,更关键的是观测值之间不独立。因此,这类数据不能用普通的统计方法解决。时间序列分析(Time series)是专门用于分析这种时间序列资料的统计模型。它考虑的不是变量之间的因果关系,而是重点考察变量在时间方面的发展变化规律,并为之建立数学模型。
时间序列分析的方法可以分为两大类:Time domain和Frequency domain。前者将时间序列看成是过去一些点的函数,或者认为序列具有时间系统变化的趋势,它可以用不多的参数来加以描述,或者说可以通过差分、周期等还原成随机序列。后者则认为时间序列是由数个正弦波成分叠加而成,当序列的确来自一些周期函数集合时,该方法特别有用。不同的专业领域习惯用不同的方法:经济学习惯用Time domain,而电力工程专家则对Frequency domain更感兴趣。下面讲述的都是Time domain
由于时间序列模型的复杂性,它在spss中横跨了数据整理、统计分析和绘图三大部分,具体来说是:
✧预处理模块:包括用于填充序列缺失值的Transform | replace Missing Values过程,
建立时间变量的Data | Define dates过程和将序列平稳化的Transform | Create Time
Series过程。
✧图形化观察/分析:时间序列在分析中高度依赖图形。Spss为其提供了特有的观察
工具:序列图(Sequence Chart)、自相关/偏自相关图(Autocorrelation Function,
ACF & Autocorrelation Function,PACF)、交叉相关图(Crosscorrelation Function,
CCF)、周期图(Periodogram)和谱密度图(Spectral Chart)。后三者被统一放置在
Graphs | Time Series菜单中。
✧分析模块:它们被统一放置在Analysis | Time Series菜单中,共包括指数平滑法
(Exponential Smoothing过程)、自回归线性模型(Autoregressive model)、ARIMA
模型和季节解构(Seasonal Decomposition)四种方法。
2.时间序列的建立和平稳化
在对数据拟合时间序列模型前需要进行一系列的准备工作,首先,如果数据存在缺失值的话就要进行填补;第二,SPSS是不会自动将数据文件识别为时间序列的,必须要加以定义;第三,原始的时间序列往往要经过初步的计算(平稳化)才能更好的用于进一步分析。
2.1缺失值的填补-Replace Missing Values过程
大多数时间序列模型都要求数据序列完整无缺,但这实际上非常难以做到。当序列中存在缺失值时,显然不可能采用剔除的方法,因为这样会使得缺失值之后数据的周期发生错位。在这种情况下就应当使用Replay Missing Values过程对缺失值采用适当的方法进行填充,并将结果存入一个新变量。
例子:打开数据文件gnp.sav,删除变量gnp在第8、14条记录中的数值,然后选择适当的缺失值填充方法对其进行填充。
缺失值填充方法有好几种,但各有使用范围,现在gnp序列的规律并不清楚,为保险起见,我们只利用缺失值附近的数据进行填充。
方法:Transform | Replace Missing Values
图1
图1中解释如下:
New Variable框:缺失值填充前后的变量对应列表
Name框:存储填补序列的新变量名称
Method下拉列表:可供选择的序列填充方法
✧Series mean:全体序列的均数,默认值
✧Mean of nearby points:相邻若干点的均数,在下方的Span of nearby points单选框
组中设置使用的相邻点数。
✧Median of nearby points:相邻若干点的中位数,在下方的Span of nearby points单选
框中设置使用的相邻点数
✧Linear interpolation:线性内插,即缺失值相邻两点的均数,但如果缺失值是在序列
的最前/最后,则无法被填充。
✧Linear trend at point:该点的线性趋势,将记录号作为自变量,序列值作为因变量
进行回归,求得该点的估计值。
Span of nearby points单选框组:设置相应填充方法中需要使用的相邻记录数。
Change:将所做得设定应用于相应变量
2.2时间变量的定义-Define dates过程
时间序列数据的一个明显的特点就是记录依时间排列。在SPSS中需要定义时间变量。只有在定义后,SPSS才承认该序列的诸如周期等时间特征。
例:美国1947年第一季度到1970年第四季度的GNP在gnp.sav文件中,其中只有一个变量gnp记录着各季度的GNP值,请根据提供的时间范围为其定义时间变量。
方法:对于这种时间序列数据,在数据输入时仅仅需要输入每个时间点上的具体数值,而时间变量应当用专门的过程来定义。在数据输入时即使直接输入时间变量,包括Season、Year,SPSS也不会自动认为它们是时间变量,从而无法进行时间序列分析。
采用Data | Define dates 过程来完成。
图2
下面对图2简单讲解如下:
Cases Are框:提供了各种时间的组合供用户选择。序列的周期由时间组合的最小时间单位决定,如Years,quarters的周期是4
First Case Is框组:要求输入第一个数据(该数据可以是缺失值)的时间,根据Cases Are 框中的选择不同,相应的内容也会有所变动。右侧会显示相应等级的周期数Current Dates栏:在界面左下角,定义好周期后,如果再次进入该对话框,则会显示当前数据的时间信息。
上述操作后,数据文件中将加入两个新产生的时间变量year_、quarter_,分别代表年、季度,另有一个变量date_,表示大致的日期(由于信息不全,只能是大致的日期,并且是字符串变量)
2.3时间序列的平稳化-Create Time Series过程
在时间变量定义完成后,时间序列就基本建成了。但是,并非随便建立一个序列就算万事大吉,时间序列分析都是建立在序列平稳的条件上的。一个平稳的随机序列过程有以下要求:均数不随时间变化;方差不随时间变化;自相关系数只与时间间隔有关,而与所处的时间无关。
实际上大多数的时间序列都是不平稳的。在做时间序列分析时,首先就是识别序列的平稳性,并且把不平稳的序列转化为平稳序列。