时间序列分析概述
ARIMA模型（移动平均自回归模型），其是最常见的时间序列预测分析方法。利用历史数据可以预测前来的情况。ARIMA模型可拆分为3项，分别是AR模型，I即差分，和MA模型。SPSSAU智能地找出最佳的AR模型，I即差分值和MA模型，并且最终给出最佳模型预测结果，SPSSAU智能找出最佳模型的原理在于利用AIC值最小这一规则，遍历出各种可能的模型组合进行模型构建，并且结合AIC最小这一规则，最终得到最佳模型。
当然，研究人员也可以自行设置AR模型，差分阶数和MA模型，即分别设置自回归阶数p，差分阶数d值和移动平均阶数q，然后进行模型构建。至于自回归阶数p，差分阶数d值和移动平均阶数q值应该设置多少合适，建议研究人员分别使用偏(自)相关图进行分析（SPSSAU也智能提供p值或q值建议），以及使用ADF检验分析得出合适的差分阶数d值（SPSSAU也智能提供最佳差分阶数d值建议）。
ARIMA模型可拆分为3项，分别是AR模型，I即差分，和MA模型。SPSSAU智能地找出最佳的AR模型，I即差分值和MA模型。当然，研究人员如果自行设置AR模型，差分阶数和MA模型，即分别设置自回归阶数p，差分阶数d值和移动平均阶数q，此时SPSSAU则按照研究人员的设置进行模型构建。建议用户直接使用SPSSAU的智能分析即可。
spssau操作如下：
光点科技
2023-08-15 广告
时间序列具有如下特点：
分类：
五个步骤：特征分析、模型识别、模型参数估计、模型检验、模型应用。
在进行时间序列建模的过程中，首先要对时间序列的特征有所了解，一般的，从时间序列的 随机性、平稳性和季节性 三个方面进行考虑，其中平稳性尤为重要，对于一个非平稳时间序列，通常需进行平稳化处理后在进行建模，也可以根据特性之间建模。
单位根检验 是指判断时间序列中是否存在单位根，即对时间序列的平稳性进行检验。可以证明若存在单位根，则序列是不平稳的，常用的单位根检验方法包括：ADF（Augmented Dickey Fuller）检验、PP（Phillips Person）检验、NP（Nelson Plosser）检验等。
时间序列的模型识别主要包括：确定模型类别和模型阶数两个方面。
在确定时间序列模型的类别方面，平稳序列样本自相关函数和偏相关函数的拖尾性和截尾性是判断模型类别的基本方法。
在确定时间序列模型的阶数方面，主要有以下几种定阶方式。
对时间序列模型的检验分为两大类：模型的显著性检验及模型参数的显著性检验
时间序列模型的显著性检验主要检验模型的有效性。模型的显著性检验的主要任务是看模型是否充分有效地提取了全部信息，即一个好的模型应该确保残差序列为白噪声，这样确保了再无可利用信息。如果残差是非白噪声，则意味着残差中留有相关信息。
模型参数的显著性检验，是要检验模型中的每一个参数是否显著异于零，目的是使模型更为精简和准确。如果模型中包含了不显著的参数性，则可以说明一方面参数冗余，另一方面会影响其他参数的估计精度。因此要提出模型中那些不显著的参数。
利用模型进行预测分析。
参考：《时间序列模型及预测》 王立柱著；科学出版社
