怎么用spss软件对时间序列用arima模型进行预测

1. 怎么用spss软件对时间序列用arima模型进行预测

时间序列模型
　　间序列分析
　　在生产和科学研究中，对某一个或一组变量x(t)进行观察测量，将在一系列时刻t1, t2, …, tn (t为自变量且t1<t2<…< tn ) 所得到的离散数字组成序列集合x(t1), x(t2), …, x(tn)，我们称之为时间序列，这种有时间意义的序列也称为动态数据。这样的动态数据在自然、经济及社会等领域都是很常见的。如在一定生态条件下，动植物种群数量逐月或逐年的消长过程、某证券交易所每天的收盘指数、每个月的GNP、失业人数或物价指数等等。
　　时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法（如非线性最小二乘法）进行。时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。
　　时间序列建模基本步骤是：①用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。 ②根据动态数据作相关图，进行相关分析，求自相关函数。相关图能显示出变化的趋势和周期，并能发现跳点和拐点。跳点是指与其他数据不一致的观测值。如果跳点是正确的观测值,在建模时应考虑进去,如果是反常现象，则应把跳点调整到期望值。拐点则是指时间序列从上升趋势突然变为下降趋势的点。如果存在拐点，则在建模时必须用不同的模型去分段拟合该时间序列，例如采用门限回归模型。③辨识合适的随机模型,进行曲线拟合,即用通用随机模型去拟合时间序列的观测数据。对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列，可用通用ARMA模型（自回归滑动平均模型）及其特殊情况的自回归模型、滑动平均模型或组合-ARMA模型等来进行拟合。当观测值多于50个时一般都采用ARMA模型。对于非平稳时间序列则要先将观测到的时间序列进行差分运算，化为平稳时间序列，再用适当模型去拟合这个差分序列。
　　时间序列分析主要用于：①系统描述。根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述。②系统分析。当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理。③预测未来。一般用ARMA模型拟合时间序列，预测该时间序列未来值。④决策和控制。根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。
　　DPS数据处理系统提供给用户一套较完整的时间序列建模分析、进行预测预报的工具，包括平稳无趋势时间序列分析预测、有趋势的时间序列预测、具季节性周期的时间序列预测以及差分自回归滑动平均(ARIMA)建模分析、预测等时间序列分析和建模技术。

2. 怎样用arima模型预测下一期

一般自相关图若为q阶截尾则滑动系数为q.若偏自相关图为p阶截尾则自回归系数为p.当然这样判断存在一定主观性，还需结合AIC BIC值来判断

3. ARIMA模型的预测程序

ARIMA模型预测的基本程序（一）根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。一般来讲，经济运行的时间序列都不是平稳序列。（二）对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。（三）根据时间序列模型的识别规则，建立相应的模型。若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序列适合AR模型；若平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合MA模型；若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合ARMA模型。（四）进行参数估计，检验是否具有统计意义。（五）进行假设检验，诊断残差序列是否为白噪声。（六）利用已通过检验的模型进行预测分析。

4. 用spss怎么进行arima模型建模

Arima模型在SPSS中的操作
      ARIMA，就是autoregressive integrated moving-average model，中文应该叫做自动回归积分滑动平均模型，它主要使用与有长期趋势与季节性波动的时间序列的分析预测中。
 
      ARIMA有6个参数，ARIMA (p,d,q)(sp,sd,sq)，后三个是主要用来描述季节性的变化，前三个针对去除了季节性变化后序列。为了避免过度训练拟合，这些参数的取值都很小。p与sp的含义是一个数与前面几个数线性相关，这两参数大多数情况下都取0, 取1的情况很少，大于1的就几乎绝种了。d与sd是差分，difference，d是描述长期趋势，sd是季节性变化，这两个参数的取值几乎也都是0，1，2，要做几次差分就取几作值。q与sq是平滑计算次数，如果序列变化特别剧烈，就要进行平滑计算，计算几次就取几做值，这两个值大多数情况下总有一个为0，也很少超过2的。
 
      ARIMA的思路很简单，首先用差分去掉季节性波动，然后去掉长期趋势，然后平滑序列，然后用一个线性函数+白噪声的形式来拟合序列，就是不断的用前p个值来计算下一个值。
 
用SPSS来做ARIMA大概有这些步骤：
1定义日期，确定季节性的周期，菜单为Data-Define dates
2画序列图来观察数值变化，菜单为Graph-sequence / Time Series - autoregressive
3若存在季节性波动，则做季节性差分，Graph- Time Series - autoregressive，先做一次，返回2观察，如果数列还存在季节性波动，就再做一次，需要做几次，sd就取几
4若观察到差分后的数列中有某些值远远大于平均值，则需要做平滑，做几次sq就取几
5然后看是否需要做去除长期趋势的差分，确定p与sp
6然后在ARIMA模型中测试是否存在其他属性影响预测属性，如果Approx sig接近0，则说明该属性可以加入模型，作为独立变量，值得注意的是，如果存在突变，可以根据情况自定义变量，这个在判断突变的原因比重时特别有用。
7然后用以确定的参数与独立变量进行拟合预测。
8最后，用Graph- Time Series - autoregressive来判断一下拟合产生的误差ERR，如果不存在明显特征，可以看作是无规律的随机白噪声，就可以认为建模成功。
9最后使用ARIMA模型进行预测即可
感觉在电信行业的KPI预测中，最有应用前景的是第六步，除了可以找到那些变量对目标值有影响外，还能确定在目标属性的变化中，不同原因的影响比例，如多少程度是由于竞争对手的失误，多少程度是因为自己表现好，多少程度是因为市场大环境变化了。此外，通过预测值，可以指导计划的编制和指标的制定，还能起到一点业务预警的作用。意义并不是很大，不过总比没有好~~

5. 在spss建立ARIMA模型进行预测如何循环

使用spss script，循环220次就可以了

6. ARIMA模型在eviews中如何预测

arima建立模型即可，你的q和p分别是多少

7. 如何引入ARIMA模型进行预测，求通俗语言然后有步骤性的回答。本人数学底子一般。但是逻辑性还行

(一) ARIMA 模型简介
ARIMA 方法是时间序列预测中一种常用而有效的方法, 它是用变量Yt 自身
的滞后项以及随机误差项来解释该变量, 而不像一般回归模型那样用k 个外生变
量X1 , X2 , ⋯, Xk 去解释Yt 。ARIMA 方法能够在对数据模式未知的情况下找到
适合数据所考察的模型, 因而在金融和经济领域预测方面得到了广泛应用。它的
具体形式可表达成ARIMA (p , d , q) , 其中p 表示自回归过程阶数; d 表示差分
的阶数; q 表示移动平均过程的阶数。如果时间序列数据是非平稳的, 则需要对
其进行d 阶差分, 使其平稳化, 然后对平稳化后的序列用ARIMA 建模。

8. eviews建立ARIMA模型，怎么进行预测，以及外推？要操作步骤！！！急急急急。。。

有数据了吗？
做专业数据分析，找我吧