SPSS軟件實操——ARIMA時間序列預(yù)測模型

2年前作者：白天數(shù)糖晚上數(shù)羊分類：Toy博客閱讀(22)違法舉報

這篇具有很好參考價值的文章主要介紹了SPSS軟件實操——ARIMA時間序列預(yù)測模型。希望對大家有所幫助。如果存在錯誤或未考慮完全的地方，請大家不吝賜教，您也可以點擊"舉報違法"按鈕提交疑問。

?相關(guān)文章鏈接

時間序列預(yù)測——ARIMA模型https://blog.csdn.net/beiye_/article/details/123317316?spm=1001.2014.3001.5501??????????????

案例：基于ARIMA模型對螺紋鋼價格預(yù)測——以南昌市為例

鋼鐵作為我國經(jīng)濟發(fā)展主要戰(zhàn)略原材料，其價格成本也是工程造價預(yù)算的重要組成部分，利用時間序列預(yù)測未來短期鋼材價格，有助于對鋼材價格特征變化規(guī)律深入探索。本文就螺紋鋼價格為研究對象，以南昌市2015年1月~2022年3月直徑16mm至25mmHRB400E型螺紋鋼價格為例，運用時間序列預(yù)測分析方法和數(shù)據(jù)分析軟件SPSS建立ARIMA模型，并預(yù)測未來9個月南昌市該型號螺紋鋼價格。對研究結(jié)果進行分析，得出了預(yù)測曲線，且確定相對誤差在允許的誤差范圍內(nèi)，為施工企業(yè)在建筑鋼材采購以及投標(biāo)策略上提供策略支撐。

一、ARIMA模型的建模流程

第一.收集差分?jǐn)?shù)據(jù)并用于制作差分時序圖表和檢驗差分平穩(wěn)性。第二,對差分非平穩(wěn)性數(shù)據(jù)進行差分平穩(wěn)化后的處理,差分d值的確定。第三,根據(jù)差分次數(shù)公式d,建立差分序列。第四,模型進行識別和定階,利用自相關(guān)差分函數(shù)(ACF)和偏自相關(guān)方差函數(shù)(PACF)確定p階和q階。第五,模型參數(shù)的參數(shù)估計分析和適應(yīng)性檢驗。第六,利用ARIMA(p，d，q)模型對系統(tǒng)進行預(yù)測。

spss時間序列分析arima預(yù)測,實戰(zhàn)項目,大數(shù)據(jù),機器學(xué)習(xí),人工智能,算法

圖?ARIMA建模流程圖

二、數(shù)據(jù)集

本文中價格數(shù)據(jù)選用南昌市從2015年1月起至2022年3月直徑由內(nèi)徑16mm區(qū)間到直徑25mm區(qū)間內(nèi)的HRB400E鋼材價格信息作為數(shù)據(jù)分析或研究對象。共已完成采集和記錄采集到的樣本數(shù)據(jù)值共達2645個,由于因各種因素數(shù)據(jù)值存在有一定的部分的數(shù)據(jù)缺失值,為更充分地保證已采集到樣本數(shù)據(jù)準(zhǔn)確性,本文采用SPSS軟件來對樣本的缺失部分?jǐn)?shù)據(jù)值進行分析,并通過利用本軟件中其數(shù)據(jù)缺失值分析功能的補充功能來嘗試將丟失樣本數(shù)據(jù)補齊。

三、利用SPSS軟件對ARIMA時間序列預(yù)測操作的基本步驟

1、確定數(shù)據(jù)

選擇數(shù)據(jù)：南昌市從2015年1月起至2022年3月直徑由內(nèi)徑16mm區(qū)間到直徑25mm區(qū)間內(nèi)的HRB400E鋼材價格信息

spss時間序列分析arima預(yù)測,實戰(zhàn)項目,大數(shù)據(jù),機器學(xué)習(xí),人工智能,算法

2、導(dǎo)入數(shù)據(jù)

將收集到到原始數(shù)據(jù)導(dǎo)入SPSS軟件中

spss時間序列分析arima預(yù)測,實戰(zhàn)項目,大數(shù)據(jù),機器學(xué)習(xí),人工智能,算法

3、定義時間日期

spss時間序列分析arima預(yù)測,實戰(zhàn)項目,大數(shù)據(jù),機器學(xué)習(xí),人工智能,算法

4、圖像化觀察

spss時間序列分析arima預(yù)測,實戰(zhàn)項目,大數(shù)據(jù),機器學(xué)習(xí),人工智能,算法

選擇要顯示的變量，此處是均價，時間軸標(biāo)簽選定義時間日期后的標(biāo)簽項，點擊確定得到序列圖。

spss時間序列分析arima預(yù)測,實戰(zhàn)項目,大數(shù)據(jù),機器學(xué)習(xí),人工智能,算法

序列圖如下：

spss時間序列分析arima預(yù)測,實戰(zhàn)項目,大數(shù)據(jù),機器學(xué)習(xí),人工智能,算法

5、平穩(wěn)性分析

ARIMA模型要求序列是平穩(wěn)序列，因此要對數(shù)據(jù)進行平穩(wěn)性分析。下面做螺紋鋼價格序列的自相關(guān)圖和偏自相關(guān)圖。

spss時間序列分析arima預(yù)測,實戰(zhàn)項目,大數(shù)據(jù),機器學(xué)習(xí),人工智能,算法

自相關(guān)圖：

spss時間序列分析arima預(yù)測,實戰(zhàn)項目,大數(shù)據(jù),機器學(xué)習(xí),人工智能,算法

偏自相關(guān)圖：

spss時間序列分析arima預(yù)測,實戰(zhàn)項目,大數(shù)據(jù),機器學(xué)習(xí),人工智能,算法

從圖中可以看出，序列的自相關(guān)圖（ACF）和偏自相關(guān)圖（偏ACF）大部分編號位于置信區(qū)間內(nèi)部，說明序列是基本平穩(wěn)的。

6、構(gòu)建ARIMA模型

在【分析】中選擇【時間序列預(yù)測】，選擇【創(chuàng)建傳統(tǒng)模型】。

在【變量】頁面，選擇方法：ARIMA；由上述ACF和PACF選定條件

在【統(tǒng)計】頁面，根據(jù)自己需要勾選顯示的數(shù)據(jù)；

spss時間序列分析arima預(yù)測,實戰(zhàn)項目,大數(shù)據(jù),機器學(xué)習(xí),人工智能,算法

在【圖】頁面，選自自己需要輸出的圖形數(shù)據(jù)；

spss時間序列分析arima預(yù)測,實戰(zhàn)項目,大數(shù)據(jù),機器學(xué)習(xí),人工智能,算法

在【保存】頁面，勾選自己需要保存的內(nèi)容。

spss時間序列分析arima預(yù)測,實戰(zhàn)項目,大數(shù)據(jù),機器學(xué)習(xí),人工智能,算法

7、輸出結(jié)果

spss時間序列分析arima預(yù)測,實戰(zhàn)項目,大數(shù)據(jù),機器學(xué)習(xí),人工智能,算法

一階差分后時序圖：

spss時間序列分析arima預(yù)測,實戰(zhàn)項目,大數(shù)據(jù),機器學(xué)習(xí),人工智能,算法

預(yù)測結(jié)果：

spss時間序列分析arima預(yù)測,實戰(zhàn)項目,大數(shù)據(jù),機器學(xué)習(xí),人工智能,算法

spss時間序列分析arima預(yù)測,實戰(zhàn)項目,大數(shù)據(jù),機器學(xué)習(xí),人工智能,算法文章來源地址http://www.zghlxwxcb.cn/news/detail-823908.html

到了這里，關(guān)于SPSS軟件實操——ARIMA時間序列預(yù)測模型的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！

本文來自互聯(lián)網(wǎng)用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務(wù)，不擁有所有權(quán)，不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載，請注明出處：如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實不符，請點擊違法舉報進行投訴反饋，一經(jīng)查實，立即刪除！

分享到：

領(lǐng)支付寶紅包贊助服務(wù)器費用

Python中的ARIMA模型、SARIMA模型和SARIMAX模型對時間序列預(yù)測
最近我們被客戶要求撰寫關(guān)于時間序列預(yù)測的研究報告，包括一些圖形和統(tǒng)計輸出。? 使用ARIMA模型，您可以使用序列過去的值預(yù)測時間序列。在本文中，我們從頭開始構(gòu)建了一個最佳ARIMA模型，并將其擴展到Seasonal ARIMA（SARIMA）和SARIMAX模型。時間序列是在定期時間間隔內(nèi)記
2024年02月04日
瀏覽(33)
機器學(xué)習(xí)——時間序列ARIMA模型(三)：AR、MA、ARMA、ARIMA模型定義及公式介紹及股價預(yù)測案例代碼
使用自身的數(shù)據(jù)進行預(yù)測，且只適用于預(yù)測與自身前期相關(guān)的現(xiàn)象。注意：需滿足具有平穩(wěn)性的要求，需滿足自相關(guān)性，自相關(guān)系數(shù)需大于0.5。 p階自回歸公式： y t = μ + ∑ i = 1 p γ i y t ? i + e t y_{t}=μ+sum_{i=1}^pgamma_{i}y_{t-i}+e_{t} y t ? = μ + i = 1 ∑ p ? γ i ? y t ? i ? + e
2024年02月02日
瀏覽(23)
時序預(yù)測 | Python實現(xiàn)ARIMA-LSTM差分自回歸移動平均模型結(jié)合長短期記憶神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測
預(yù)測效果基本介紹時序預(yù)測 | Python實現(xiàn)ARIMA-LSTM差分自回歸移動平均模型結(jié)合長短期記憶神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測直接替換數(shù)據(jù)即可用適合新手小白附贈案例數(shù)據(jù) 可直接運行程序設(shè)計完整程序和數(shù)據(jù)下載方式私信博主回復(fù)： Python實現(xiàn)ARIMA-LSTM差分自回歸移動平均模型結(jié)合長
2024年02月07日
瀏覽(31)
時序預(yù)測 | Matlab實現(xiàn)ARIMA-LSTM差分自回歸移動差分自回歸移動平均模型模型結(jié)合長短期記憶神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測
預(yù)測效果基本介紹時序預(yù)測 | Matlab實現(xiàn)ARIMA-LSTM差分自回歸移動差分自回歸移動平均模型模型結(jié)合長短期記憶神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測程序設(shè)計完整程序和數(shù)據(jù)下載方式私信博主回復(fù)： Matlab實現(xiàn)ARIMA-LSTM差分自回歸移動差分自回歸移動平均模型模型結(jié)合長短期記憶神經(jīng)網(wǎng)絡(luò)時間
2024年02月07日
瀏覽(28)
spss時間序列預(yù)測
數(shù)據(jù)準(zhǔn)備示例：年月年月a 數(shù)值型總服務(wù)率人工被動人工主動被動總服務(wù)率 202101 Jan-21 44197 383.5 68.2 42.98 340.5 202102 Feb-21 44228 312.9 50.1 34.53 278.3 202103 Mar-21 44256 271 42.4 20.11 250.9 202104 Apr-21 44287 239.3 39.2 17.68 221.6 分析-時間序列預(yù)測-創(chuàng)建傳統(tǒng)模型；因變量：總服務(wù)率變量：年月
2024年02月09日
瀏覽(22)
使用ARIMA進行時間序列預(yù)測|就代碼而言
model.fit().predict()函數(shù)參數(shù)的意思 model.fit() 函數(shù)是用來擬合ARIMA模型的，它會根據(jù)提供的時間序列數(shù)據(jù)來估計模型的參數(shù)。在這個函數(shù)中，沒有需要指定額外的參數(shù)。 model.predict() 函數(shù)是用來進行時間序列的預(yù)測的，它可以在擬合后的模型上進行預(yù)測。在進行預(yù)測時，需要指定
2024年02月16日
瀏覽(21)
時序預(yù)測 | Python實現(xiàn)AR、ARMA、ARIMA時間序列預(yù)測
預(yù)測效果基本介紹 Python實現(xiàn)AR、ARMA、ARIMA時間序列預(yù)測模型原理 AR、ARMA、ARIMA都是常用的時間序列預(yù)測方法，它們的主要區(qū)別在于模型中包含的自回歸項和移動平均項的數(shù)量和階數(shù)不同。 AR模型（Autoregressive Model）是一種僅包含自回歸項的模型，它的基本思想是將當(dāng)前時刻的
2024年02月10日
瀏覽(25)
python使用ARIMA進行時間序列的預(yù)測（基礎(chǔ)教程）
時間序列就是以時間為索引的數(shù)據(jù)，比如下面這種形式數(shù)據(jù)鏈接：https://pan.baidu.com/s/1KHmCbk9ygIeRHn97oeZVMg 提取碼：s0k5 python使用ARIMA建模，主要是使用statsmodels庫首先是建模流程，如果不是太明白不用擔(dān)心，下面會詳細的介紹這些過程首先要注意一點，ARIMA適用于短期單變量
2024年01月17日
瀏覽(25)
使用 Ploomber、Arima、Python 和 Slurm 進行時間序列預(yù)測
推薦：使用 NSDT場景編輯器助你快速搭建可二次編輯的3D應(yīng)用場景筆記本由 8 個任務(wù)組成，如下圖所示。它包括建模的大多數(shù)基本步驟 - 獲取數(shù)據(jù)清理、擬合、超參數(shù)調(diào)優(yōu)、驗證和可視化。作為捷徑，我拿起筆記本并使用Soorgeon工具自動將筆記本模塊化到Ploomber管道中。這會將
2024年02月12日
瀏覽(19)
時間序列預(yù)測算法梳理（Arima、Prophet、Nbeats、NbeatsX、Informer）
自回歸滑動平均（Autoregressive integrated moving average，ARIMA）模型由Box和Jenkins于1970年提出。他們認(rèn)為某些非平穩(wěn)序列中，某一部分與其他部分相似，而這種同質(zhì)性可經(jīng)d階差分后就可以成為平穩(wěn)序列，成為混合自回歸-滑動平均過程。那么該非平穩(wěn)序列為ARIMA模型，用表示。其中
2024年02月06日
瀏覽(34)