目录
前言
粉丝及官方意见说明
第二十三章一些学习笔记
第二十三章一些操作方法
时间序列模型
时间序列的建立和平稳化
数据假设
具体操作
定义时间变量
时间序列的平稳化
绘制相应的时间序列图
序列图
自相关图（autocorrelation chart）
对话框介绍
结果解释
互相关图
数据假设
具体操作
结果解释
时间序列的建模与预测
对话框介绍
基本结果解释
考虑模型进一步简化
季节性分解
假设数据
具体操作
结果解释
时间因果模型
具体操作
结束语
前言
#自律即自由
#本期内容：时间序列模型
#由于导师最近布置了学习SPSS这款软件的任务，因此想来平台和大家一起交流下学习经验，这期推送内容接上一次高级教程第二十二章的学习笔记，希望能得到一些指正和帮助~
粉丝及官方意见说明
#针对官方爸爸的意见说的推送缺乏操作过程的数据案例文件澄清如下：1、操作演示的数据全部由我本人随意假设输进去的，重在演示操作；2、本人也只是在学习阶段，希望友友们能谅解哈，手里有数据的宝子当然更好啦，没有咱就自己假设数据练习一下也没多大关系的哈；3、我也会在后续教程中尽量增加一些数据的必要性说明；4、大家有什么好的意见也可以在评论区一起交流吖~
第二十三章一些学习笔记
- SPSS中的时间序列模型：该模型是专门用于分析这类序列资料的统计模型，他考虑的不是变量间的因果关系，而是考察变量在时间方面的发展变化规律。一个时间序列模型可能包含4种信息：1、长期趋势（trend，长期变化趋势）；2、循环（cyclic，指一种较长时间的周期变化）；3、季节性变化（season，一般在一年中完成的周期性变化）；4、不规则变化（error，时间序列中无法预计的部分）。--统计分析高级教程（第三版）P449
- 时间序列模型的两种分类方法：1、时域模型（time domain）和频域模型（frequency domain）【时域模型将时间序列看成是过去一些时间点的函数，或认为时间序列具有随时间系统变化的趋势，它可以用少量的参数来描述，或其可以通过差分、平滑等技术还原成随机序列；频域模型则认为时间序列是由数个正弦波成分叠加而成的，当时间序列的确来自一些周期函数的集合时，频域模型就特别有用】；2、传统时间序列模型和现代时间序列模型【传统时间序列模型把时间序列看成长期趋势、季节性变动、循环变化和不规则变化的复合体，试图揭示各个成分的数量和大小，要解决的问题是各个成分是如何结合以及如何相互作用的，典型的就是季节性分解模型和指数平滑模型；现代时间序列模型把时间序列看成一种随机概率过程的一类方法，典型的就是ARIMA模型】。--统计分析高级教程（第三版）P450
- SPSS中的互相关图：自相关函数和偏相关函数是描述单个时间序列的重要工具，当需要考虑多个时间序列间的关系时，就需要多时间序列模型（multiple time series model）来描述了，对于分析两个时间序列关系时，互相关函数（cross-correlation function，CCF）就是分析的有力工具。--统计分析高级教程（第三版）P459
- SPSS中时间序列建模与预测的一些概念：1、时间序列【观测值的顺序一般用下标t表示，时间序列的第t个观测值就是zt，前一个观测值为zt-1，后一个观测值为zt+1】；2、差分算子
【一次差分表示为
，二次差分表示为
，剩下以此类推】；3、后移算子B【后移算子记为Bzt=zt-1，B2zt=B(Bzt)=zt-2，剩下以此类推】。--统计分析高级教程（第三版）P460-461 - SPSS中的指数平滑模型：指数平滑模型用时间序列以前值的加权平均值来预测将来的值，并且赋予时间序列中近期的数据以较大的权重，赋予远期的数据以较小的权重，理由在于随着时间流逝，以前值的影响逐渐减少。后面随着模型被修正，发现实测值对预测值的影响随着时间距离的增大而呈指数级数衰减，即指数平滑的由来。其局限有：1、指数平滑模型只适于影响随时间的消逝呈指数下降的数据；2、利用指数平滑模型进行预测的关键在于如何确定平滑系数a；3、指数平滑模型的每次预测都是根据上一个数据进行的，从经验上讲，当数据多于40个时，初始值的影响就不太明显了，但是如果数据小，则初始值的影响会很大，甚至大于近期数据；4、指数平滑模型适用于平均水平基本保持不变的时间序列，对于上升的数据，预测总偏低，若对于下降的数据，预测总偏高。除了先进行差分或者季节性差分之外，也可以使用二次指数平滑直接对含有线性趋势的时间序列进行预测，使用三次指数平滑直接对既含有线性趋势又有季节性变化的时间序列进行预测。--统计分析高级教程（第三版）P460-462
- SPSS中的ARMA（自回归移动平均模型）模型：1、AR模型【建立起和自己以前值的线性回归，称为自回归模型（auto regressive model）】；2、MA模型【移动平均模型（moving average model，MA）】；3、ARMA和ARIMA模型【若AR（p）模型中的ut不是白噪声，而是表现为MA（q）的形式，则是ARMA（p,q）模型，前提条件，用于预测的时间序列由一个零平均值的平稳随机过程产生，在平稳之后的时间序列应用ARMA模型，即自回归-移动平均模型（autoregressive integrated moving average models，ARIMA）】；4、季节模型【seasonal model，和连续模型一样，只是连续模型的单位为1，而季节模型的单位是相应的周期S】；5、复合季节模型【将上面所有的模型综合到一起就是复合季节模型（general multiplicative seasonal models），是一个相乘模型】。--统计分析高级教程（第三版）P462-463
- SPSS中的季节性分解两大类分解方式：1、加法模型【序列总变异=线性趋势与循环变化+季节性变化+误差】；2、乘法模型【序列总变异=线性趋势与循环变化+季节性变化+误差】。无论采用那种分解模型，均取决于时间序列自身的变动规律，季节性分解可以被直接用于序列数据的比较，在时间序列的建模分析中，季节性分解可以先用来去除明显的季节性波动，进而提高模型的预测精度。--统计分析高级教程（第三版）P468
- SPSS中时间因果模型一般具备一下几个条件：1、时间关系【因一定先于果】；2、联系的合理性【是否符合专业】；3、联系的一致性【多次研究均能得到同样的结果】；4、关联强度【关联强度指标越大，因果关联的可能性越高】；5、剂量反应关系【对于定量的影响因素，是否有剂量反应关系】；6、特异性与可逆转性【影响因素的出现总是使得某种结局的概率增加，而去掉影响因素后，因变量也会出现相应的逆转变化，存在这种关系是因果关系的佐证，但反之并不能否定因果联系】。--统计分析高级教程（第三版）P470
第二十三章一些操作方法
时间序列模型
一般分析步骤：1、运用一些探索性手段，探索特征，选择合适的建模方法；2、通过各种方法，得到比较合适的模型框架；3、模型诊断；4、选择表现最好的模型；5、用所选的模型预测；6、随着数据量增加，不断调整模型。
时间序列的建立和平稳化
数据假设
具体操作
先替换原来数据中存在的缺失值
注意这里不是手动随意输一个数，而是通过操作，进行填补缺失值。
更换其他方法
为了继续演示操作，这里人工给其补齐一个较为合理的数据36。
定义时间变量
时间序列的平稳化
可以看出序列是稳步上升的，存在长期趋势。
将序列转换为平稳序列
这里看出原来的数据已经比较平稳了，这里为了演示操作还是具体介绍一下。
绘制相应的时间序列图
时间序列的图形观察
序列图
这是时间序列的基本观察工具，与其他时间序列图不同，他只能给出直观的描述，并不能进一步计算时间序列分析中所涉及的一些专业指标。
自相关图（autocorrelation chart）
该图的结果包括自相关图和偏相关图，均可以用于考察单个时间序列是否已的确转换为平稳的随机序列。
对话框介绍
结果解释
可以看出图中的检验结果与表中的检验不一致，这是由于SPSS在检验自相关系数是否为0时，其高阶检验的前提假设是低阶自相关系数为0，因此，在低阶的自相关系数有意义时，后续高阶的检验结果无效，此时置信区间提供的信息更有价值。
互相关图
自相关函数和偏相关函数是描述单个时间序列的重要工具，当需要考虑多个时间序列间的关系时，就需要多时间序列模型（multiple time series model）来描述了，对于分析两个时间序列关系时，互相关函数（cross-correlation function，CCF）就是分析的有力工具。
数据假设
具体操作
结果解释
时间序列的建模与预测
下面对住宅数据进行建模预测
对话框介绍
变量
其他选项卡
基本结果解释
若无离群值则说明数据的拟合效果还是可以的。
考虑模型进一步简化
这上面第二个箭头与操作无关，是单纯用电脑操作失误导致的，临时鼠标坏了，只能用笔记本进行操作。
结果解释
季节性分解
假设数据
采用差异方法生成的时间序列，这里省略具体操作。
具体操作
结果解释
若对上面数据进行出图分析的话，可以得到相应的图。
时间因果模型
打开系统自带的数据集tcm_kpi.sav
具体操作
结束语
#好啦~，以上就是我SPSS第四十一期学习笔记——高级教程第二十三章的学习情况啦~，希望能与大家交流学习经验，共同进步吖~
#也非常感谢大家对我的一路陪伴，宝子们的关注、支持和打赏就是up儿不断更新滴动力，我近期也会坚持学习SPSS，更新相应的学习内容及笔记到平台上，咱们下期高级教程不见不散~
