SPSS-数据分析之时间序列分析

Posted 2023-04-13

参考技术A 当数据与时间息息相关，常具有周期性的变化规律，此时，时间序列分析是一个很好的发现分析及预测其发展变化的统计方法，接下来简要分享统计分析软件SPSS中时间序列分析的操作。

问：什么是时间序列？

答：时间序列是时间间隔不变的情况下收集的不同时间点数据集合。

问：那时间序列分析又是什么？

答：时间序列分析是通过研究历史数据的发展变化规律来预测事物的未来发展的统计学方法。公司营业额、销售额，人口数量，股票等方面的变化预测皆可通过此统计方法。

SPSS中的操作

首先，对数据进行 预处理：

1.查看数据是否有缺失，若有，不便后续处理，则需进行替换缺失值。

转换→替换缺失值→选择新变量→输入新变量名称、选择替换缺失值方法。

2.定义日期

数据→定义日期和时间

3.平稳性检验（平稳性指的是期望不变，方差恒定，协方差不随时间改变）

检验方法：时序图检验、自相关图检验等。可通过创建时间序列实现数据的平稳化

转换→创建时间序列

结果（例：运行中位数——跨度为1，则等于原数据）

数据预处理后对数据进行分析研究——序列图、谱分析、自相关等。

1.序列图：分析→时间序列预测→序列图→根据需要选择变量、时间轴标签等。

结果（例）：可观察数据的大致波动情况。

2.谱分析：分析→时间序列预测→谱分析→根据需要选择变量、图表。

结果（例）

对于周期变化的数据，主要用于侦测系统隐含的周期或者节律行为；

对于非周期的数据，主要用于揭示系统演化过程的自相关特征。

3.自相关：分析→时间序列预测→自相关→选择变量及其他。

结果：

解读：直条高低代表自相关系数的大小，横轴1-16代表自相关的阶数，上下线之间是不具有统计学意义的，偏自相关是去除自相关系数的关联性传递性之后，用偏自相关系数考察剩余的相关性是否还存在。

关于SPSS时间序列分析的简要介绍就结束啦！

END

文 | FM

时间序列分析之预测中国GDP走势（SPSS版）

对于时间序列分析的一些基本概念，大家可以查看我之前发布的一片文章：  该文虽然是STATA统计分析课程的内容，但是有关统计分析概念的介绍是不分软件，大家都是共用的。

如上面提到的那篇文章所述，大部分时间序列模型都有平稳性的要求，建立一个时间序列预测模型一般需要先检验序列的平稳性，以本文要介绍的ARIMA模型为例，建模将需要如下步骤：

(1)平稳化检验：根据时间序列的折线图、自相关系数图，或者通过ADF单位根检验，来判断时间序列是否平稳。如果序列被验证为不平稳，那么可以通过差分变换或者对数差分变换使其满足平稳性条件，同时确定了差分阶数。

(2)模型的识别：根据ACF图和PACF图来确定自相关阶数ｐ和移动平均阶数ｑ，以选择适当的模型进行拟合。

(3)对模型的未知参数进行估计：并对估计结果进行检验和诊断。一是检验模型参数的估计值是否显著，其二是诊断残差序列是否为白噪声序列。若拟合模型通不过检验，则重新确定阶数ｐ和ｑ，重新选择模型进行拟合。

(4)利用拟合模型预测时间序列的未来值。

不过，在SPSS中，没有提供单位根检验的菜单，一般只能通过观察自相关图和偏自相关图，以及时间序列图来确认序列是否已经平稳化了。在SPSS中，又有其它统计软件所不具备的特征，那就是SPSS能够实现自动建立ARIMA模型，你可以完全不关心前面的预分析过程（也就是平稳化，自相关检验等过程）。

本文简单介绍一下SPSS自动建立ARIMA模型的过程：此处以中国GDP数据为例，从中国国家统计局网站去下载从1952年以来的中国GDP数据，将这些处理成SPSS软件支持的格式，导入SPSS即可在本人的课程中，提供处理好的数据文件，课程链接见文末阅读原文。

step1 ：载入数据，并且定义时间日期变量。也就是需要把要分析的数据定义成时间序列。注意时间变量要先按照升序排列，然后再使用定义日期的菜单，完成日期的定义，定义好日期后，数据窗口中将会新增两列数据。

step2 :直接建立时间序列分析预测模型（预分析过程涉及到很多的原理和操作，很繁琐，此处没有写出来）

step3  在数据表中，手动构造需要预测的年份

step4 勾选输出预测值的菜单

step5 得到预测的数值和图形

通过上述简单的几个步骤，我们就在SPSS中构建起了一个能够进行预测的ARIMA时间序列模型。如果你仅仅是想了解一下如何在SPSS中建立时间序列模型，进行预测，且具备一定的SPSS基础，那么本文对你将比较有帮助，如果你希望了解相关的原理和操作细节，可以点击阅读原文查看《SPSS统计分析》课程，在时间序列分析章节有详细讲解这个案例。