简单的数据预处理到时间序列分析

得到时间序列图后就可以进行季节分解了

通常情况下进行季节因素分解，将季节变动因素从原时间序列中去除，生成由剩余三种因素构成序列满足后续分析需求。对时间序列预测时，应考虑将上述四种因素分解出来。分解之后，能够克服其他因素的影响，仅仅考量一种因素对时间序列的影响。分解后可分析之间相互作用，及对时间序列综合影响。当去掉这些因素，可更好进行时间序列间比较，更加客观的反映事物变化发展规律。分解后，序列可建立回归模型，提高预测精度。

根据我们前面得到的时间序列图观察的规律，判断是否需进行季节性分解，显然是需要的。

另外注意随着时间推移，序列季节波动越来越大，用乘法模型更精确，否则用加法模型。

具体的操作可以看下面的图 完成后就到了下面图中的状态 会新生成四个变量，ERR，误差序列，时间序列移除季节因素、长期趋势、和循环变动后留下的序列，是原始序列中不规则变动构成序列；SAS，季节因素校正后序列，是移除原始序列中的季节因素后的校正序列；SAF，季节因子，是从序列中分解出的季节因素。变量值据季节周期变动重复；STC，长期趋势和循环变动趋势，这是原始序列中长期趋势和循环变动构成的序列。

结果如下： 这是我们进行季节分解后的数据 为了用图形更直观的展示结果，我们可以通过绘制序列图方法把原始和除去季节因子的序列（误差序列、季节因素校正后序列、长期无视和循环变动序列）进行比较。具体操作如下： 得到结果： 我们的图形化结果： 分析： 蓝色线：原始序列 紫色线：长期趋势和循环变动序列 浅棕色：季节因素校正后序列 绿色线：误差序列（不规则变动）

可见误差序列数值非常小，所以长期趋势和循环变动序列与季节因素校正后序列能够基本重合，在这之后再单独做”季节因子SAF“的序列图。注意，做‘季节因子’的序列图时，只有一个变量‘季节因子SAF’ 操作如下： 得到我们得结果： 我们的图形结果： 可见此时序列比较规律，平稳性较好，时间序列分析完成后平稳化建立模型，根据SAF_1图形规律选择建模方法，如图73-79平稳性主要指序列所有统计性质不会随时间推移变化，平稳的时间序列具备以下特征。均数和方差不随时间变化，自相关系数只与时间间隔有关，与所处时间无关。其中，自相关系数是研究序列中不同时期的相关系数，也就是对时间序列计算其当前和不同滞后期的一系列相关系数。平稳方法，差分，即序列中相邻的两期数据之差。一次差分=Yt-Yt-1，二次差分=(Yt-Yt-1)-(Yt-1-Yt-2)。在spss中平稳化操作过程可用专家建模法自动处理，我们只需要根据模型结果分析出序列经过几阶差分即可。

那么下一步就是构建我们的模型了！！！ 选择专家建模器 导出模型文件 勾选”预测值“，可用以生成预测值，保存模型 得到结果 模型描述中为‘简单’，所以只用了一阶差分，R方7%，拟合效果较好。杨-博克斯Q（18）统计量显著性P=0.735，大于0.05（P>0.05期望得到结果），所以接受原假设，认为这个序列残差符合随机分布，没有离群值出现，反映出数据拟合效果可以接受。

下面是我们的拟合图，建立的模型时间序列曲线 附加 我们的得到的时间序列预测模型文件（XML）长这样

OK，到这里，我们可以用得到的模型去预测了~~