SPSS时间序列ARIMA、指数平滑法数据分析汽车销量数据

简介: SPSS时间序列ARIMA、指数平滑法数据分析汽车销量数据

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

X9CW})(]JE5WHR2A1C3W1XV.png

时间序列散点图

CI]TD`$BLAWFZ9W$JH](4L1.png

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

~A@_50W4LM(EB$1YNL9808M.png

KI948VBI[MT{(U~Q)D`O(QC.png


`FZ}%_B[{W2FI$2}6OFMFOD.png

ENJD)ID@3(QQLIC98G[_EYQ.png

](1(I5BMPQ4`FNV}~RCHRD9.png

PMJ8U23OCKP%Y71Q@S}8GZJ.png

PHDJ`0Z7E5XT%$SPKH{(W%O.png

ANJKIHI2S2PXW6HTF46I7]4.png

}}~$21AER$1PUE31I3R@OO7.png

VD5GR8KQQJ@OL~DBM4662)A.png


指数平滑法剔除趋势项

_GP~X6T9X`%L165%7~603]3.png

季节性分解

VBTT7$2_9V1BM)}D@]YGH@T.png


点击标题查阅往期内容


R]I7@D5_BEC{WHEL9S%UC}O.png

python用ARIMA模型预测CO2浓度时间序列实现

左右滑动查看更多

01

RH02QNF1DGNAEXQUK@O]35M.png

02

$NM[RXSTL3SAIHM_ESAUCP4.png

03

BMZ2D@~X21ZIU(2G498H3A5.png

04

VA]KG7XAUZ942K2C@U6ANF8.png



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

Z_)13PM(4]D%P]25CU(N21F.png

D(A8)V@_NX98`BJ7LVH4NHY.png

HJEZV9G65%PTGU5HG$~5@4P.png

误差白噪声检验

J}MCCYZ]I87WX[WPZ8RFMYH.png


·      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。


相关文章
|
29天前
|
数据采集 数据可视化 数据挖掘
多维数据分析:使用Pandas进行复杂的数据操作和聚合
【4月更文挑战第12天】Pandas是Python的强大数据分析库,提供DataFrame数据结构进行多维数据处理。本文介绍了使用Pandas进行多维数据分析的流程:1) 导入数据(如CSV、Excel);2) 数据预处理,包括缺失值处理和类型转换;3) 数据探索,利用describe()、hist()、plot()等进行统计和可视化;4) 数据操作,如筛选、排序和分组;5) 数据聚合,通过groupby()和agg()进行计算。文中还给出了电商数据分析的案例,展示Pandas在实际应用中的价值。
|
11天前
|
数据可视化 前端开发 数据挖掘
R语言对综合社会调查GSS数据进行自举法bootstrap统计推断、假设检验、探索性数据分析可视化|数据分享(上)
R语言对综合社会调查GSS数据进行自举法bootstrap统计推断、假设检验、探索性数据分析可视化|数据分享
|
14天前
|
存储 分布式计算 搜索推荐
【专栏】数据之海,分布式计算、数据存储与管理、数据分析与挖掘成为关键技术
【4月更文挑战第27天】在大数据时代,数据量爆炸性增长、类型多样及处理速度需求提升带来挑战。分布式计算、数据存储与管理、数据分析与挖掘成为关键技术,如Hadoop、Spark、HDFS、NoSQL等。实际应用包括互联网搜索、推荐系统、金融科技、智能城市等领域,大规模数据处理发挥关键作用,持续推动创新与奇迹。
|
3天前
|
数据采集 数据可视化 数据挖掘
Python 与 PySpark数据分析实战指南:解锁数据洞见
Python 与 PySpark数据分析实战指南:解锁数据洞见
|
5天前
|
机器学习/深度学习 数据挖掘 计算机视觉
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
|
5天前
|
SQL 数据采集 存储
Hive实战 —— 电商数据分析(全流程详解 真实数据)
关于基于小型数据的Hive数仓构建实战,目的是通过分析某零售企业的门店数据来进行业务洞察。内容涵盖了数据清洗、数据分析和Hive表的创建。项目需求包括客户画像、消费统计、资源利用率、特征人群定位和数据可视化。数据源包括Customer、Transaction、Store和Review四张表,涉及多个维度的聚合和分析,如按性别、国家统计客户、按时间段计算总收入等。项目执行需先下载数据和配置Zeppelin环境,然后通过Hive进行数据清洗、建表和分析。在建表过程中,涉及ODS、DWD、DWT、DWS和DM五层,每层都有其特定的任务和粒度。最后,通过Hive SQL进行各种业务指标的计算和分析。
24 1
Hive实战 —— 电商数据分析(全流程详解 真实数据)
|
11天前
|
前端开发 数据可视化 数据挖掘
R语言对综合社会调查GSS数据进行自举法bootstrap统计推断、假设检验、探索性数据分析可视化|数据分享(下)
R语言对综合社会调查GSS数据进行自举法bootstrap统计推断、假设检验、探索性数据分析可视化|数据分享
|
15天前
|
机器学习/深度学习 安全 数据挖掘
数据分享|函数型数据分析部分省市新冠疫情数据
数据分享|函数型数据分析部分省市新冠疫情数据
|
22天前
|
数据可视化 数据挖掘 Linux
如何在Linux部署DataEase数据分析服务并实现无公网IP远程分析内网数据信息
如何在Linux部署DataEase数据分析服务并实现无公网IP远程分析内网数据信息
|
22天前
|
数据挖掘 API 区块链
《区块链公链数据分析简易速速上手小册》第2章:数据获取基础(2024 最新版)
《区块链公链数据分析简易速速上手小册》第2章:数据获取基础(2024 最新版)
41 0