SPSS时间序列ARIMA、指数平滑法数据分析汽车销量数据|附代码数据

全文链接：http://tecdat.cn/?p=30861

最近我们被客户要求撰写关于时间序列的研究报告，包括一些图形和统计输出。

本文对汽车销量数据进行时间序列数据分析，我们向客户演示了用SPSS的ARIMA、指数平滑法可以提供的内容 （ 点击文末“阅读原文”获取完整代码数据 ）。

操作步骤：

• 先加日期
• 散点图
• 再去趋势化
• 再去季节性
• 再模拟模型ARIMA分析
• 得出结论

查看数据

时间序列散点图

 图：sales 序列 

从趋势图可以明显看出，时间序列的特点为：呈线性趋势、有季节性变动，但季节波动随着趋势增加而加大。

 

指数平滑法剔除趋势项

季节性分解

---

点击标题查阅往期内容

python用ARIMA模型预测CO2浓度时间序列实现

左右滑动查看更多

01

02

03

04

ARIMA模型拟合

模型描述
	模型类型
模型 ID	销量	模型_1	ARIMA(1,0,0)(1,0,0)

模型摘要

模型拟合
拟合统计量	均值	SE	最小值	最大值	百分位
5	10	25	50	75	90	95
平稳的 R 方	.440	.	.440	.440	.440	.440	.440	.440	.440	.440	.440
R 方	.496	.	.496	.496	.496	.496	.496	.496	.496	.496	.496
RMSE	20.957	.	20.957	20.957	20.957	20.957	20.957	20.957	20.957	20.957	20.957
MAPE	8.783	.	8.783	8.783	8.783	8.783	8.783	8.783	8.783	8.783	8.783
MaxAPE	45.945	.	45.945	45.945	45.945	45.945	45.945	45.945	45.945	45.945	45.945
MAE	14.824	.	14.824	14.824	14.824	14.824	14.824	14.824	14.824	14.824	14.824
MaxAE	57.941	.	57.941	57.941	57.941	57.941	57.941	57.941	57.941	57.941	57.941
正态化的 BIC	6.292	.	6.292	6.292	6.292	6.292	6.292	6.292	6.292	6.292	6.292

 

模型统计量
模型	预测变量数	模型拟合统计量	Ljung-Box Q(18)	离群值数
平稳的 R 方	统计量	DF	Sig.
销量-模型_1	0	.440	35.895	16	.003	0

误差白噪声检验

·      模型拟合并相比较简单季节性和Winters模型没有太大的优势，结果可接受。Sig.列给出了 Ljung-Box 统计量的显著性值，该检验是对模型中残差错误的随机检验；表示指定的模型是否正确。显著性值大于0.05 表示残差误差是随机的，则意味着所观测的序列中使用该模型拟合较好。

·      平稳的R方：显示固定的R平方值。此统计量是序列中由模型解释的总变异所占比例的估计值。该值越高（最大值为 1.0），则模型拟合会越好。

·      检查模型残差的自相关函数 (ACF) 和偏自相关函数 (PACF) 的值比只查看拟合优度统计量能更多地从量化角度来了解模型。

本文中分析的数据*分享到会员群*，扫描下面二维码即可加群！

点击文末 “阅读原文”

获取全文完整代码数据资料。

本文选自《SPSS时间序列ARIMA、指数平滑法数据分析汽车销量数据》。

点击标题查阅往期内容

R语言用ARIMA模型预测巧克力的兴趣趋势时间序列
【视频】Python和R语言使用指数加权平均(EWMA)，ARIMA自回归移动平均模型预测时间序列
使用R语言进行时间序列（arima，指数平滑）分析
数据分享|R语言分析上海空气质量指数数据：kmean聚类、层次聚类、时间序列分析：arima模型、指数平滑法
R语言分布滞后非线性模型（DLNM）空气污染研究温度对死亡率影响建模应用
Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测
Python用RNN神经网络：LSTM、GRU、回归和ARIMA对COVID19新冠疫情人数时间序列预测
数据分享|PYTHON用ARIMA ，ARIMAX预测商店商品销售需求时间序列数据
Python用RNN神经网络：LSTM、GRU、回归和ARIMA对COVID19新冠疫情人数时间序列预测
【视频】Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析|数据分享
深度学习实现自编码器Autoencoder神经网络异常检测心电图ECG时间序列spss modeler用决策树神经网络预测ST的股票
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化
RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测
结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析
深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据
用PyTorch机器学习神经网络分类预测银行客户流失模型
PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类：训练与结果评估可视化
深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
R语言深度学习Keras循环神经网络(RNN)模型预测多输出变量时间序列
R语言KERAS用RNN、双向RNNS递归神经网络、LSTM分析预测温度时间序列、 IMDB电影评分情感
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
R语言深度学习：用keras神经网络回归模型预测时间序列数据
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）
MATLAB中用BP神经网络预测人体脂肪百分比数据
Python中用PyTorch机器学习神经网络分类预测银行客户流失模型
R语言实现CNN（卷积神经网络）模型进行回归数据分析
SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型
【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析
Python使用神经网络进行简单文本分类
R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析
R语言基于递归神经网络RNN的温度时间序列预测
R语言神经网络模型预测车辆数量时间序列
R语言中的BP神经网络模型分析学生成绩
matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类
R语言实现拟合神经网络预测和结果可视化
用R语言实现神经网络预测股票实例
使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测
python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译
用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类