全文鏈接：http://tecdat.cn/?p=30861

原文出處：拓端數(shù)據(jù)部落公眾號

本文對汽車銷量數(shù)據(jù)進(jìn)行時間序列數(shù)據(jù)分析，我們向客戶演示了用SPSS的ARIMA、指數(shù)平滑法可以提供的內(nèi)容。

操作步驟：

• 先加日期

• 散點(diǎn)圖

• 再去趨勢化

• 再去季節(jié)性

• 再模擬模型ARIMA分析

• 得出結(jié)論

查看數(shù)據(jù)

時間序列散點(diǎn)圖

?圖：sales?序列?

從趨勢圖可以明顯看出，時間序列的特點(diǎn)為：呈線性趨勢、有季節(jié)性變動，但季節(jié)波動隨著趨勢增加而加大。

?

指數(shù)平滑法剔除趨勢項

季節(jié)性分解

ARIMA模型擬合

?

模型描述?模型類型模型 ID銷量模型_1ARIMA(1,0,0)(1,0,0)

模型摘要

模型擬合擬合統(tǒng)計量均值SE最小值最大值百分位5102550759095平穩(wěn)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正態(tài)化的 BIC6.292.6.2926.2926.2926.2926.2926.2926.2926.2926.292

?

模型統(tǒng)計量模型預(yù)測變量數(shù)模型擬合統(tǒng)計量Ljung-Box Q(18)離群值數(shù)平穩(wěn)的 R 方統(tǒng)計量DFSig.銷量-模型_10.44035.89516.0030

誤差白噪聲檢驗

·????? 模型擬合并相比較簡單季節(jié)性和Winters模型沒有太大的優(yōu)勢，結(jié)果可接受。Sig.列給出了 Ljung-Box 統(tǒng)計量的顯著性值，該檢驗是對模型中殘差錯誤的隨機(jī)檢驗；表示指定的模型是否正確。顯著性值大于0.05 表示殘差誤差是隨機(jī)的，則意味著所觀測的序列中使用該模型擬合較好。

·????? 平穩(wěn)的R方：顯示固定的R平方值。此統(tǒng)計量是序列中由模型解釋的總變異所占比例的估計值。該值越高（最大值為 1.0），則模型擬合會越好。

·????? 檢查模型殘差的自相關(guān)函數(shù) (ACF) 和偏自相關(guān)函數(shù) (PACF) 的值比只查看擬合優(yōu)度統(tǒng)計量能更多地從量化角度來了解模型。

最受歡迎的見解

1.在python中使用lstm和pytorch進(jìn)行時間序列預(yù)測

2.python中利用長短期記憶模型lstm進(jìn)行時間序列預(yù)測分析

3.Python用RNN循環(huán)神經(jīng)網(wǎng)絡(luò)：LSTM長期記憶、GRU門循環(huán)單元、回歸和ARIMA對COVID-19新冠疫情新增人數(shù)時間序列

4.Python TensorFlow循環(huán)神經(jīng)網(wǎng)絡(luò)RNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測股票市場價格時間序列和MSE評估準(zhǔn)確性

5.r語言copulas和金融時間序列案例

6.R 語言用RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 、LSTM長短期記憶網(wǎng)絡(luò)實(shí)現(xiàn)時間序列長期利率預(yù)測

7.Matlab創(chuàng)建向量自回歸（VAR）模型分析消費(fèi)者價格指數(shù) (CPI) 和失業(yè)率時間序列

8.r語言k-shape時間序列聚類方法對股票價格時間序列聚類

9.R語言結(jié)合新冠疫情COVID-19股票價格預(yù)測：ARIMA，KNN和神經(jīng)網(wǎng)絡(luò)時間序列分析