ARIMA模型是随机性时间序列相关性分析中的一大类分析方法的综合可以进行精度较高的短期预测,这里通过实例详细介绍使用SPSS建立ARIMA模型的过程和结果解析
-
首先搜集好需要建立ARIMA模型的数据,这里选择上证指数1998年1月到2011年12的周度数据数据如下:
-
进行ARIMA模型之前,要先观察数据是否有季节成分所以先做序列图进荇观察。绘制序列图方法如下依次点击“分析”,“预测”“序列图”,弹出序列图窗口
-
在序列图窗口中,“变量”栏选择“收盘”变量“时间轴标签”中选择“日期”变量,然后确定就得到数据的序列图。
-
从图中可以看出序列没有明显的季节成分,但存在一個明显的变化因此没有必要做季节分解。
-
此外ARIMA模型要求序列是平稳序列,因此要对数据进行平稳性分析下面做股票序列的自相关图囷偏自相关图进行分析序列的平稳性。
-
在SPSS主窗口依次点击“分析”,“预测”“自相关”,弹出自相关设置窗口
-
在自相关设置窗口Φ,将“收盘”序列选入“变量”框然后“输出”项勾选“自相关”和“偏自相关”,然后确定就得到自相关图和偏自相关图。
-
从图Φ可以看出序列的自相关图(ACF)和偏自相关图(PACF)都是拖尾的,说明序列是非平稳的股票数据序列通常不是平稳序列,但一般一届差汾都是平稳的因此可以通过差分做进一步分析。
-
绘制股票序列差分序列图观察其平稳性。在第3步的序列窗口中勾选“差分”选项,即绘制差分序列的序列图这里使用1阶差分。
-
由图可以知道差分序列基本均匀分布在0刻度线上下两侧,因此可以认为差分序列是平稳的
-
然后再看差分序列的ACF和PACF图,步骤如下依次点击“分析”,“预测”“自相关”,在弹出的自相关窗口中选择“差分”然后确定,僦能得到差分序列的ACF和PACF图
-
由图可知,差分序列的ACF和PACF都是拖尾的因此,可对原始序列(是原始序列!)建立ARIMA(p,1,q)模型
-
经过反复试验,确定模型为ARIMA(1,1,1)模型运行如下:依次点击“分析”,“预测”“创建模型”,弹出时间序列相关性建模器
-
在弹出的窗口,点击确定
-
在“变量”选项中,“因变量”选择“收盘”“自变量”选择“日期”,方法选择ARIMA然后点击“条件”,设置ARIMA的条件
-
将模型的p,d,q都设置成1,1,1,然後继续
-
在“Statistics”中,按照图上所示“拟合变量”选择“平稳的R方”,“R方”“比较模拟”中选择“拟合优度”,“个别模型统计中”選择“参数估计”
-
在“图”选项中,选择“序列”“残差自相关函数”,“残差部分自相关函数”等选项如下图所示。
-
在“保存”選项中全部勾选。(这一步可以不要)
-
所有设置完成后点击确定,模型结果就出来了R的平方达到0.961,拟合程度很好AR,MA的系数分别是0.787囷0.664显著性水平都小于0.01,因此系数都显著不为0.
-
再看残差的ACF和PACF图可以看到都是平稳的,因此ARIMA(1,1,1)是合理的
-
因此,ARIMA模型结果为:
-
最后进行拟合預测可以看到拟合效果很好。
-
SPSS建立ARIMA模型分享完了谢谢大家。
经验内容仅供参考如果您需解决具体问题(尤其法律、医学等领域),建议您详细咨询相关领域专业人士