乐趣区

关于数据挖掘:SPSS时间序列ARIMA指数平滑法模型检验分析汽车销量数据

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工夫序列数据分析,咱们向客户演示了用 SPSS 的 ARIMA、指数平滑法能够提供的内容。

操作步骤:

  • 先加日期
  • 散点图
  • 再去趋势化
  • 再去季节性
  • 再模仿模型 ARIMA 剖析
  • 得出结论

查看数据

工夫序列散点图

图:sales 序列 

从趋势图能够显著看出,工夫序列的特点为:呈线性趋势、有季节性变动,但节令稳定随着趋势减少而加大。

 

指数平滑法剔除趋势项

季节性合成

ARIMA 模型拟合

 

模型形容
  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
安稳的 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
安稳的 R 方 统计量 DF Sig.
销量 - 模型_1 0 .440 35.895 16 .003 0

误差白噪声测验

·      模型拟合并相比较简单季节性和 Winters 模型没有太大的劣势,后果可承受。Sig. 列给出了 Ljung-Box 统计量的显著性值,该测验是对模型中残差谬误的随机测验;示意指定的模型是否正确。显著性值大于 0.05 示意残差误差是随机的,则意味着所观测的序列中应用该模型拟合较好。

·      安稳的 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。

·      查看模型残差的自相干函数 (ACF) 和偏自相干函数 (PACF) 的值比只查看拟合优度统计量能更多地从量化角度来理解模型。


最受欢迎的见解

1. 在 python 中应用 lstm 和 pytorch 进行工夫序列预测

2.python 中利用长短期记忆模型 lstm 进行工夫序列预测剖析

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 新冠疫情新增人数工夫序列

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

5.r 语言 copulas 和金融工夫序列案例

6.R 语言用 RNN 循环神经网络、LSTM 长短期记忆网络实现工夫序列长期利率预测

7.Matlab 创立向量自回归(VAR)模型剖析消费者价格指数 (CPI) 和失业率工夫序列

8.r 语言 k -shape 工夫序列聚类办法对股票价格工夫序列聚类

9. R 语言联合新冠疫情 COVID-19 股票价格预测:ARIMA,KNN 和神经网络工夫序列剖析

退出移动版