|
第一部分 梳理总结 直观地讲，时间序列指随时间变化的、具有随机性的、且前后相互关联的动态数据序列,它是依特定时间间隔而记录的指定变量的一系列取值。 目前时间序列分析可分为描述时序分析和统计时序分析，一般前者是作为后者分析的基础而存在的。 而在统计时序分析中，又分为“频域分析”与“时域分析”，因为“频域分析”过程一般比较复杂，研究人员通常需要有很强的数学基础才能使用，分析结果也比较抽象，例如心电图、工业仪电图等，不易于直观解释，所以该方法在实际研究中具有很大的局限性，现在我们经常讨论的各种时间序列模型，都是在统计时序分析的框架下进行，如下图所示：
近年来，时间序列分析已经渗入到交通运输、智能控制、神经网络模拟、生物、医学、水文、气象、经济学、空间科学等众多领域，发挥着无可比拟的作用。 通常情况下，我们在拿到数据以后，首先要做的是对数据进行处理，首先是检查数据是否有缺失值，如果有再选用合适的方法进行替换，其次不同的分析软件可能还会需要定义日期与创建时间序列。
其次，再观察序列的平稳性，进行平稳性检验，时间序列数据可以分为平稳序列和非平稳序列，两种不同的序列分别有不同的分析方法。 最后，如果数据本身是平稳或者经过处理后数据平稳，再对数据进行随机性检验，也就是通常所说的白噪声检验，检验数据是否有值得分析的价值，若为白噪声序列，则数据基本不含有用信息，可以停止分析。 时间序列系列分析框架如下：
 第二部分 数据预处理 一、SPSS中缺失值的替换 时间序列模型一般都要求序列数据是完整无缺的，但实际上数据常常是不完整的。当序列中存在缺失数据时，如果采用直接剔除的方法，容易使剔除缺失值之后的数据周期发生错位，在这种情况下应当使用“替换缺失值”过程，采用适当的方法对缺失值进行替换，并将替换结界保存到新的变量中。 数据为“天津视频消费相关数据.sav” 依次单击菜单“转换->替换缺失值'，执行缺失值替换功能。其主设置界面如图所示，可选择不同的方法进行替换，至于各方法怎么计算的属于数学问题不赘述，相信你们也不想看繁杂的公式去理解意思，我认为看字面意思也好理解。
需要注意的是，这里的新变量会自动将选中变量中的缺失值替换以后重新生成一个变量。 二、定义时间变量 时间序列数据的一个明显特点就是记录依某种时间排列。在 SPSS中，只有经用户定义了时间变量之后，系统才能识别指定序列的时间特征，比如周期等。 依次单击菜单“数据->定义日期和时间”，执行建立时间变量的功能，具主设置界面如图。
注意的是无论选择什么样的日期时间格式，这里都需要手工输入第一个时间数值。 三、序列平稳化处理 定义了时间变量以后，就基本建立了待分析的时间序列数据，但是并非随便建立一个序列就万事大吉，许多时间序列分析方法都要求序列必须满足平稳性条件，即： （1）均值不随时间变化； （2）方差不随时间变化； （3）自相关系数只与时间间隔有关，而与所处的具体时刻无关； 实际上，大多数最初建立的时间序列都是不平稳的，所以在着手建模之前都应该验证序列的平稳性，把不平稳的序列转化为平稳序列。 SPSS中有自带的“创建时间序列”过程可以对初始序列进行些预处理，它使用差分、移动平均等变换方法，由原始序列导出一条或多条可能满足平稳性要求的新序列。虽然SPSS 的某些时间序列分析模块中，也嵌入了诸如差分、对数变换等的运算功能，但自带的“创建时间序列”过程的功能更加强大。 另外，在对序列进行平稳化之前，建议先作个时间序列观测值对时间的线形图，以观察序列的线性趋势、周期性、方差齐性等特点，再以此为参考选择适当的方法进行平稳化。 数据采用为“某市游客量时序数据.sav” 依次点击“转换->创建时间序列”，这里选择对主要分析变量num（游客量）进行一阶差分并创建新变量，同时在“函数”下面提供了9种转换原序列的方法，
假设序列中的任意一点都是由平滑部分加上随机误差组成，那么如果把该点附近的若干点平均一下，误差项就会趋于相互抵消，于是原序列的特征（如波峰、波谷）就更加突出，这就是平滑的作用。 均值和中位数是常用的平滑器，但是如何选择合适的平滑器，与数据特征尤其是误差项的特征关系密切。在实际工作中，经常需要对原始序列做多次的移动平均或移动中位数处理，才能得到比较好的平滑曲线。 例如，通过将游客量(num)分别进行一阶差分和中心移动平均得到新变量num_1和num_2。
|
|
|
