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_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
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
RMSE20.957.20.95720.95720.95720.95720.95720.95720.95720.95720.957
MAPE8.783.8.7838.7838.7838.7838.7838.7838.7838.7838.783
MaxAPE45.945.45.94545.94545.94545.94545.94545.94545.94545.94545.945
MAE14.824.14.82414.82414.82414.82414.82414.82414.82414.82414.824
MaxAE57.941.57.94157.94157.94157.94157.94157.94157.94157.94157.941
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
安稳的 R 方统计量DFSig.
销量-模型_10.44035.89516.0030

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