全文链接：http://tecdat.cn/?p=30861

原文出处：拓端数据部落公众号

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。

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

ARIMA模型拟合

模型描述 模型类型模型 ID销量模型_1ARIMA(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5102550759095平稳的 R 方.440..440.440.440.440.440.440.440.440.440R 方.496..496.496.496.496.496.496.496.496.496RMSE20.957.20.95720.95720.95720.95720.95720.95720.95720.95720.957MAPE8.783.8.7838.7838.7838.7838.7838.7838.7838.7838.783MaxAPE45.945.45.94545.94545.94545.94545.94545.94545.94545.94545.945MAE14.824.14.82414.82414.82414.82414.82414.82414.82414.82414.824MaxAE57.941.57.94157.94157.94157.94157.94157.94157.94157.94157.941正态化的 BIC6.292.6.2926.2926.2926.2926.2926.2926.2926.2926.292

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DFSig.销量-模型_10.44035.89516.0030

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。

最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数时间序列

4.Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性

5.r语言copulas和金融时间序列案例

6.R 语言用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

7.Matlab创建向量自回归（VAR）模型分析消费者价格指数 (CPI) 和失业率时间序列

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.R语言结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析