- 1四、Flink使用广播状态和定时器实现word_join_count有效时间1分钟_flink 定时器
- 2大模型的模型参数定义方法_大模型的参数数量是如何定义的
- 3优雅的实现EasyPoi动态导出列的两种方式_easypoi动态设置导出字段
- 4【源码+文档+调试讲解】微信小程序家政项目小程序
- 5Python—基本数据类型
- 6Git clone远程分支_git 克隆远程分支
- 7intellij idea web项目 目录结构解释，以及配置目录。解决导入eclipse项目，后无法跑起来。_ideaweb项目结构
- 8MySql监控工具断网部署Percona Monitoring and Management ，Perocona的官方监控工具Docker安装教程_mysql monitoring and managment
- 9进程调度_先来先服务进程调度
- 10有那些项目适合程序员业余时间做，并且短期内能赚点小钱？_短期it 开发
SPSS时间序列ARIMA、指数平滑法数据分析汽车销量数据
赞
踩
全文链接：http://tecdat.cn/?p=30861
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（点击文末“阅读原文”获取完整代码数据）。
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。
相关视频
指数平滑法剔除趋势项
季节性分解
点击标题查阅往期内容
左右滑动查看更多
01
02
03
04
ARIMA模型拟合
| 模型描述 | |||
|---|---|---|---|
| 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 | |||||
| 平稳的 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 | ||
| 平稳的 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。
本文中分析的数据分享到会员群，扫描下面二维码即可加群！
点击文末“阅读原文”
获取全文完整代码数据资料。
本文选自《SPSS时间序列ARIMA、指数平滑法数据分析汽车销量数据》。
点击标题查阅往期内容
【视频】Python和R语言使用指数加权平均(EWMA)，ARIMA自回归移动平均模型预测时间序列
数据分享|R语言分析上海空气质量指数数据：kmean聚类、层次聚类、时间序列分析：arima模型、指数平滑法
R语言分布滞后非线性模型（DLNM）空气污染研究温度对死亡率影响建模应用
Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测
Python用RNN神经网络：LSTM、GRU、回归和ARIMA对COVID19新冠疫情人数时间序列预测
数据分享|PYTHON用ARIMA ，ARIMAX预测商店商品销售需求时间序列数据
Python用RNN神经网络：LSTM、GRU、回归和ARIMA对COVID19新冠疫情人数时间序列预测
【视频】Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析|数据分享
深度学习实现自编码器Autoencoder神经网络异常检测心电图ECG时间序列
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化
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
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
深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据
PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类：训练与结果评估可视化
深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
R语言深度学习Keras循环神经网络(RNN)模型预测多输出变量时间序列
R语言KERAS用RNN、双向RNNS递归神经网络、LSTM分析预测温度时间序列、 IMDB电影评分情感
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
R语言深度学习：用keras神经网络回归模型预测时间序列数据
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）
Python中用PyTorch机器学习神经网络分类预测银行客户流失模型
SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型
【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析
R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析
matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类
使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测
python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译
用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类
