spss模型知识.doc

发布时间：2022-06-08 发布人：admin 分类：说明书资料大小：0.40M 资料格式：doc 举报版权申诉

u012935846-9245199-4744302542904104450.doc.pdf-第1页.png

第1页 / 共13页

u012935846-9245199-4744302542904104450.doc.pdf-第2页.png

第2页 / 共13页

u012935846-9245199-4744302542904104450.doc.pdf-第3页.png

第3页 / 共13页

u012935846-9245199-4744302542904104450.doc.pdf-第4页.png

第4页 / 共13页

u012935846-9245199-4744302542904104450.doc.pdf-第5页.png

第5页 / 共13页

u012935846-9245199-4744302542904104450.doc.pdf-第6页.png

第6页 / 共13页

u012935846-9245199-4744302542904104450.doc.pdf-第7页.png

第7页 / 共13页

u012935846-9245199-4744302542904104450.doc.pdf-第8页.png

第8页 / 共13页

文本预览

《统计软件实验报告》 SPSS 软件的上机实践应用时间序列分析数学与统计学学院一、实验内容：时间序列是指一个依时间顺序做成的观察资料的集合。时间序列分析过程中最常用的方法是：指数平滑、自回归、综合移动平均及季节分解。本次实验研究就业理论中的就业人口总量问题。但人口经济的理

论和实践表明，就业总量往往受到许多因素的制约，这些因素之间有着错综复杂的联系，因此，运用结构性的因果模型分析和预测就业总量往往是比较困难的。时间序列分析中的自回归求积分移动平均法（ARIMA）则是一个较好的选择。对于时间序列的短期预测来说，随机时序 ARIMA 是一种精度较高的模型。我们已辽宁省历年（1969-2005）从业人员人数为数据基础建立一个就业总量的预测时间序列模型,通过 spss 建立模型并用此模型来预测就业总量的未来发展趋势。二、实验目的： 1. 准确理解时间序列分析的方法原理 2. 学会实用 SPSS 建立时间序列变量 3. 学会使用 SPSS 绘制时间序列图以反应时间序列的直观特征。 4. 掌握时间序列模型的平稳化方法。 5. 掌握时间序列模型的定阶方法。 6. 学会使用 SPSS 建立时间序列模型与短期预测。 7. 培养运用时间序列分析方法解决身边实际问题的能力。三、实验分析：总体分析：先对数据进行必要的预处理和观察，直到它变成稳态后再用 SPSS 对数据进行分析。数据的预处理阶段，将它分为三个步骤：首先，对有缺失值的数据进行修补，其次将数据资料定义为相应的时间序列，最后对时间序

列数据的平稳性进行计算观察。数据分析和建模阶段：根据时间序列的特征和分析的要求，选择恰当的模型进行数据建模和分析。四、实验步骤： SPSS 的数据准备包括数据文件的建立、时间定义和数据期间的指定。 SPSS 的时间定义功能用来将数据编辑窗口中的一个或多个变量指定为时间序列变量，并给它们赋予相应的时间标志，具体操作步骤是： 1. 选择菜单：Date→Define Dates，出现窗口：单击【ok(确认)】按钮，此时完成时间的定义，SPSS 将在当前数据编辑窗口中自动生成标志时间的变量。

当数据准备好，为认识数据的变化规律，判断数据是否存在离群点和缺损值，最直接的观察方法是绘制序列的图像。 2. 选择菜单选项栏中的 Analyze>forecasting>Sequence Charts,弹出 Sequence Charts 对话框。

单击【ok(确认)】按钮，得到时序图：观察发现序列没有明显的周期性，为非平稳时间序列。一般而言，一次差分可以将序列中的线性趋势去掉，二次差分可以将序列中的抛物线趋势去掉，图中曲线存在线性趋势，用一阶差分运算去除。

3. 选择菜单：Transform>Create Time Series，弹出对话框：单击【ok(确认)】按钮，此时完成线性成分的去除，SPSS 将在当前数据编辑窗口中自动生成差分后的新变量 X_1。数据经过一阶差分后，检验差分序列自相关和偏相关函数是否为截尾

或拖尾，若是则数据已为平稳序列可以进行 ARIMA 建模，否则继续对数据进行平稳化处理。 4. 选择菜单 Analyze→Time Series→Autoregression。把被解释变量选择到 Dependent 框中，选择解释变量到 Independent(s)框中。单击【ok(确认)】按钮，此时生成自相关和偏自相关相关数据。

表中显示的是自相关计算结果，从左向右，依次列出的是：滞后数、自相关系数值、标准误差、Box-ljung统计量（值、自由度、原假设成立的概率值）。通过标准误差以及Box-ljung统计量的相伴概率都可以说该时间序列不是白噪声，是具有自相关性的时间序列，可以建立ARIMA模型。

分享到：

赞收藏

资料库

spss模型知识.doc

相关推荐

课程资源

热门标签

最新资料