实验三 SPSS 多元时间序列分析方法

实验三多元时间序列分析方法

1.实验目的

了解协整理论及协整检验方法；掌握协整的两种检验方法：E-G两步法与Johansen方法；熟悉向量自回归模型VAR的应用；掌握误差修正模型ECM的含义及检验方法；掌握Granger因果关系检验方法。

2.实验仪器

装有EViews7.0软件的微机一台。

3.实验内容

【例6-2】

时间与M2之间的关系首先用单位根检验是否为平稳序列。原假设为H0：非平稳序列H1：平稳序列。用Eviews软件解决该问题，得到如下结果：Null Hypothesis: M2 has a unit root

Exogenous: None

Lag Length: 3 (Automatic - based on SIC, maxlag=13)

t-Statistic Prob.* Augmented Dickey-Fuller test statistic 5.681169 1.0000

Test critical

values: 1% level -2.579052

5% level -1.942768

10% level -1.615423

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(M2)

Method: Least Squares

Date: 04/16/13 Time: 10:36

Sample (adjusted): 1991M05 2005M01 Included observations: 165 after adjustments

Variable Coefficien

t Std. Error t-Statistic Prob.

M2(-1) 0.013514 0.002379 5.681169 0.0000 D(M2(-1)) -0.490280 0.074458 -6.584611 0.0000 D(M2(-2)) 0.070618 0.083790 0.842797 0.4006 D(M2(-3)) 0.387086 0.073788 5.245935 0.0000

R-squared 0.480147 Mean dependent

var 1440.03

7

Adjusted

R-squared 0.470461 S.D. dependent var 1509.48

9

S.E. of regression 1098.447 Akaike info criterion 16.8651

3

Sum squared resid 1.94E+08 Schwarz criterion 16.9404

2

Log likelihood -1387.373 Hannan-Quinn

criter. 16.8956

9

Durbin-Watson

stat 1.965242

从上图我们可以看出t-statistic的值是5.681169，大于临界值，p>a，故不能拒绝被检验的指数序列是非平稳的原假设。因此一阶差分序列进行ADF检验，结果如下图显示。

Null Hypothesis: D(M2) has a unit root

Exogenous: None

Lag Length: 8 (Automatic - based on SIC, maxlag=13)

t-Statistic Prob.* Augmented Dickey-Fuller test statistic 0.988183 0.9143

Test critical

values: 1% level -2.579587

5% level -1.942843

10% level -1.615376

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(M2,2)

Method: Least Squares

Date: 04/16/13 Time: 10:37

Sample (adjusted): 1991M11 2005M01 Included observations: 159 after adjustments

Variable Coefficien

t Std. Error t-Statistic Prob.

D(M2(-1)) 0.053616 0.054257 0.988183 0.3247 D(M2(-1),2) -1.526069 0.096352 -15.83852 0.0000 D(M2(-2),2) -1.519649 0.149134 -10.18981 0.0000 D(M2(-3),2) -1.225623 0.184003 -6.660869 0.0000 D(M2(-4),2) -1.237445 0.196285 -6.304319 0.0000 D(M2(-5),2) -0.972024 0.197161 -4.930093 0.0000 D(M2(-6),2) -0.810098 0.185290 -4.372060 0.0000 D(M2(-7),2) -0.605069 0.144997 -4.172983 0.0001 D(M2(-8),2) -0.333781 0.080550 -4.143781 0.0001

R-squared 0.801713 Mean dependent

var 16.0700

1

Adjusted 0.791137 S.D. dependent var 2352.91

R-squared 9

S.E. of regression 1075.320 Akaike info criterion 16.8535

6

Sum squared resid 1.73E+08 Schwarz criterion 17.0272

7

Log likelihood -1330.858 Hannan-Quinn

criter. 16.9241

Durbin-Watson

stat 1.970407

从上图我们可以看出t-statistic的值是0.988183，大于临界值，p>a，故不能拒绝被检验的指数序列是非平稳的原假设。因此二阶差分序列进行ADF检验，结果如下图显示

Null Hypothesis: D(M2,2) has a unit root

Exogenous: None

Lag Length: 7 (Automatic - based on SIC, maxlag=13)

t-Statistic Prob.* Augmented Dickey-Fuller test statistic -9.223132 0.0000

Test critical

values: 1% level -2.579587

5% level -1.942843

10% level -1.615376

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(M2,3)

Method: Least Squares

Date: 04/16/13 Time: 10:38

Sample (adjusted): 1991M11 2005M01 Included observations: 159 after adjustments

Variable Coefficien

t Std. Error t-Statistic Prob.

D(M2(-1),2) -8.900755 0.965047 -9.223132 0.0000 D(M2(-1),3) 6.431129 0.924672 6.955038 0.0000 D(M2(-2),3) 4.970286 0.833541 5.962861 0.0000 D(M2(-3),3) 3.802432 0.700773 5.426055 0.0000 D(M2(-4),3) 2.617058 0.544596 4.805501 0.0000 D(M2(-5),3) 1.688201 0.380559 4.436109 0.0000 D(M2(-6),3) 0.910968 0.214990 4.237257 0.0000 D(M2(-7),3) 0.325934 0.080151 4.066487 0.0001 R-squared 0.941321 Mean dependent 0.11205

var 7

Adjusted

R-squared 0.938601 S.D. dependent var 4339.32

4

S.E. of regression 1075.236 Akaike info criterion 16.8474

7

Sum squared resid 1.75E+08 Schwarz criterion 17.0018

8

Log likelihood -1331.374 Hannan-Quinn

criter. 16.9101

8

Durbin-Watson

stat 1.963915

从上图我们可以看出t-statistic的值是-9.223132，小于临界值，p

Null Hypothesis: DDM2 has a unit root Exogenous: None

Lag Length: 7 (Automatic - based on SIC, maxlag=13)

t-Statistic Prob.* Augmented Dickey-Fuller test statistic -9.223132 0.0000 Test critical

values: 1% level -2.579587

5% level -1.942843

10% level -1.615376

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(DDM2)

Method: Least Squares

Date: 04/16/13 Time: 10:41

Sample (adjusted): 1991M11 2005M01

Included observations: 159 after adjustments

Variable Coefficien

t Std. Error t-Statistic Prob.

DDM2(-1) -8.900755 0.965047 -9.223132 0.0000 D(DDM2(-1)) 6.431129 0.924672 6.955038 0.0000 D(DDM2(-2)) 4.970286 0.833541 5.962861 0.0000

D(DDM2(-3)) 3.802432 0.700773 5.426055 0.0000 D(DDM2(-4)) 2.617058 0.544596 4.805501 0.0000 D(DDM2(-5)) 1.688201 0.380559 4.436109 0.0000 D(DDM2(-6)) 0.910968 0.214990 4.237257 0.0000 D(DDM2(-7)) 0.325934 0.080151 4.066487 0.0001

R-squared 0.941321 Mean dependent

var 0.11205

7

Adjusted

R-squared 0.938601 S.D. dependent var 4339.32

4

S.E. of regression 1075.236 Akaike info criterion 16.8474

7

Sum squared resid 1.75E+08 Schwarz criterion 17.0018

8

Log likelihood -1331.374 Hannan-Quinn

criter. 16.9101

8

Durbin-Watson

stat 1.963915

-16,000

-12,000-8,000-4,00004,000

8,00012,00016,000

DDM2

Dependent Variable: DDM2 Method: Least Squares Date: 04/16/13 Time: 10:47

Sample (adjusted): 1991M05 2005M01 Included observations: 165 after adjustments Convergence achieved after 50 iterations MA Backcast: 1990M12 1991M04

Variable Coefficien

t Std. Error t-Statistic Prob.

C 14.44319 10.74065 1.344723 0.1807 AR(1)

-0.995579 0.055305 -18.00153 0.0000

AR(2) -0.837713 0.047357 -17.68914 0.0000 MA(1) -0.436708 0.096208 -4.539223 0.0000 MA(2) 0.175063 0.104359 1.677513 0.0954 MA(3) -0.880075 0.052403 -16.79446 0.0000 MA(4) 0.322618 0.100005 3.226012 0.0015 MA(5)

0.190454 0.096508 1.973453 0.0502

R-squared 0.805361 Mean dependent

var

16.3436

3

Adjusted R-squared

0.796682 S.D. dependent var

2309.54

4

S.E. of regression 1041.391 Akaike info criterion 16.7817

7

Sum squared resid 1.70E+08 Schwarz criterion

16.9323

6

Log likelihood

-1376.496 Hannan-Quinn

criter.

16.8429

F-statistic 92.80278 Durbin-Watson stat 2.04130

3

Prob(F-statistic)

0.000000

Inverted AR Roots -.50+.77i -.50-.77i

Inverted MA Roots .77+.22i .77-.22i -.30

-.40-.91i

-.40+.91i

【P127 例4-3】

本案例的数据为联通股票的日股价序列，期限为2003年1月2日至2006年9月15日，共886个样本观测量。对其进行单位根检验，结果如下：

Null Hypothesis: X has a unit root

Exogenous: None

Lag Length: 0 (Automatic - based on SIC, maxlag=20)

t-Statistic Prob.* Augmented Dickey-Fuller test statistic 0.076005 0.7067

Test critical

values: 1% level -2.567575

5% level -1.941181

10% level -1.616459

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(X)

Method: Least Squares

Date: 04/16/13 Time: 10:53

Sample (adjusted): 1/03/2003 9/14/2006 Included observations: 886 after adjustments

Variable Coefficien

t Std. Error t-Statistic Prob.

X(-1)

4.71E-05 0.000619 0.076005 0.9394

R-squared -0.000167 Mean dependent

var

0.00058

7

Adjusted R-squared

-0.000167 S.D. dependent var

0.04457

3

S.E. of regression 0.044577 Akaike info criterion -3.38207

1

Sum squared resid 1.758589 Schwarz criterion

-3.37666

8

Log likelihood 1499.257 Hannan-Quinn

criter.

-3.38000

6

Durbin-Watson stat

2.014381

从上图我们可以看出t-statistic 的值是 0.076005，大于临界值，p>a ，故不能拒绝被检验的指数序列是非平稳的原假设。因此一阶差分序列进行ADF 检验，结果如下图显示。

Null Hypothesis: D(X) has a unit root

Exogenous: None

Lag Length: 0 (Automatic - based on SIC, maxlag=20)

t-Statistic Prob.* Augmented Dickey-Fuller test statistic -29.94678 0.0000 Test critical

values: 1% level -2.567578

5% level -1.941181

10% level -1.616459

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(X,2)

Method: Least Squares

Date: 04/16/13 Time: 10:54

Sample (adjusted): 1/06/2003 9/14/2006

Included observations: 885 after adjustments

Variable Coefficien

t Std. Error t-Statistic Prob.

D(X(-1)) -1.007165 0.033632 -29.94678 0.0000

R-squared 0.503597 Mean dependent

var

-1.13E-0

5

Adjusted R-squared

0.503597 S.D. dependent var

0.06330

2

S.E. of regression 0.044600 Akaike info criterion -3.38104

1

Sum squared resid 1.758410 Schwarz criterion

-3.37563

3

Log likelihood 1497.111 Hannan-Quinn

criter.

-3.37897

4

Durbin-Watson stat

1.999816

从上图我们可以看出t-statistic 的值是-29.94678，远小于临界值，p

Dependent Variable: X

Method: Least Squares

Date: 04/16/13 Time: 11:00

Sample (adjusted): 1/03/2003 9/14/2006 Included observations: 886 after adjustments

Convergence achieved after 4 iterations

Variable Coefficien

t Std. Error t-Statistic Prob.

C 2.466771 0.208973 11.80427 0.0000 AR(1)

0.992697 0.003809 260.6088 0.0000

R-squared 0.987151 Mean dependent

var

2.38699

8

Adjusted R-squared

0.987137 S.D. dependent var

0.39241

4

S.E. of regression 0.044506 Akaike info criterion -3.38413

1

Sum squared resid 1.751013 Schwarz criterion

-3.37332

5

Log likelihood

1501.170 Hannan-Quinn

criter.

-3.38000

F-statistic 67916.95 Durbin-Watson stat 2.00827

9

Prob(F-statistic)

0.000000

Inverted AR Roots .99

-.2

-.1

.0

.1

.2

.3

.4

2003

2004

2005

2006

DX

四、实验心得

通过这次的实验我感觉自己的水平还是很有限的，感觉实际操作中有很多的不足，课后自己也重新试过，感觉有很多还是没记住，但是在这次的实验中自己也有懂得了更多

时间序列季节性分析spss

表1 为某公司连续144个月的月度销售量记录，变量为sales。试用专家模型、ARIMA模型和季节性分解模型分析此数据。

选定样本期间为1978年9月至1990年5月。按时间顺序分别设为1至141。 一、画出趋势图，粗略判断一下数据的变动特点。 具体操作为：依次单击菜单“Analyz e→Forecasting→Sequence Chart”，打开“Sequence Chart”对话框，在打开的对话框中将sales选入“Variables”列表框，时间变量date 选入“Time Axis Labels”，单击“OK”按钮，则生成如图2 所示的sales序列。 图1 “Sequence Chart”对话框

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。 二、模型的估计 （一）、季节性分解模型 根据时间序列特点，我们选择带线性趋势的季节性乘法模型作为预测模型。 1、定义日期 具体操作为：依次单击菜单“Data→Define Date”，打开“Define Date”对话框，在“Cases Are”列表框选择“Years，months”的日期格式，在对话框的右侧定义数据的起始年份、月份。定义完毕后，单击“OK”按钮，在数据集中生成日期变量。 图3 “Define Date”对话框 2、季节分解 具体操作为：“Analyze→Forecasting→Seasonal Decomposition”打开“Seasonal Decomposition”对话框，将待分析的序列变量名选入“Variable”列表框。在“Model Type”选择组中选择“Multiplicative”模型；在“Moving Average Weight”选择组

spss教程第四章-- 时间序列分析

第四章时间序列分析 由于反映社会经济现象的大多数数据是按照时间顺序记录的，所以时间序列分析是研究社会经济现象的指标随时间变化的统计规律性的统计方法。.为了研究事物在不同时间的发展状况，就要分析其随时间的推移的发展趋势，预测事物在未来时间的数量变化。因此学习时间序列分析方法是非常必要的。 本章主要内容： 1. 时间序列的线图，自相关图和偏自关系图； 2. SPSS 软件的时间序列的分析方法?季节变动分析。 §4.1 实验准备工作 §4.1.1 根据时间数据定义时间序列 对于一组示定义时间的时间序列数据，可以通过数据窗口的Date菜单操作，得到相应时间的时间序列。定义时间序列的具体操作方法是： 将数据按时间顺序排列，然后单击Date →Define Dates打开Define Dates对话框，如图4.1所示。从左框中选择合适的时间表示方法，并且在右边时间框内定义起始点后点击OK，可以在数据库中增加时间数列。 图4.1 产生时间序列对话框 §4.1.2 绘制时间序列线图和自相关图 一、线图 线图用来反映时间序列随时间的推移的变化趋势和变化规律。下面通过例题说明线图的制作。 例题4.1：表4.1中显示的是某地1979至1982年度的汗衫背心的零售量数据。

试根据这些的数据对汗衫背心零售量进行季节分析。（参考文献[2]） 表4.1 某地背心汗衫零售量一览表单位：万件 解：根据表4.1的数据，建立数据文件SY-11（零售量），并对数据定义相应的时间值，使数据成为时间序列。为了分析时间序列，需要先绘制线图直观地反映时间序列的变化趋势和变化规律。具体操作如下： 1. 在数据编辑窗口单击Graphs Line,打开Line Charts对话框如图4. 2.。从中选择Simple单线图，从Date in Chart Are 栏中选择Values of individual cases，即输出的线图中横坐标显示变量中按照时间顺序排列的个体序列号，纵坐标显示时间序列的变量数据。 图4.2 Line Charts对话框 2. 单击Define，打开对话框如图4.4所示。选择分析变量进入Line Represents，，在Category Labels 类别标签(横坐标)中选择Case number数据个数（或变量

实验二 用SPSS进行时间序列分析

西安郵電大学 C++实验报告 院（系） ：经济与管理学院名称 学生姓名：段明强 专业名称：信息管理与信息系统班级：1201 学号: 02125021

SPSS进行时间序列分析 1.连续4周（每周5个工作日）测定某无菌操作室空气中的细菌含量（×103/M3）资料如下表所示，试绘制时间序列图，看是否存在周期性变动趋势。 表1 无菌操作室空气中的细菌含量 1.、激活数据管理窗口，定义变量名为DATA，然后按时间顺序从第一周第1天起将观察数据依次输入数据区域。 图1 数据输入界面 2.在Graphs菜单的Time Series项中，选择Autocorrelations（自相关时间序列图）。 3.在弹出的Autocorrelations对话框中，选左侧变量列表中的data点击按钮使之进入Variable框。在Display栏选 Autocorrelations项，要求仅绘制自动相关的时间序列图。

图3 选择变量进入右侧的分析列表 4.点击Options钮，弹出“Autocorrelations:Options”对话框，在Maximum Number of Lags 处输入5，表示时间序列阶段为每5天一个周期，点击Continue钮返回Autocorrelations 对话框，再点击OK钮即完成。 图4 设置分析参数 5.结果显示和说明。

图5 结果显示 在时间序列图中，用户可根据相关系数的大小来判断序列模型的变动趋势。一般地说，相关系数为0或为<0，则前后序列或相邻序列的变动趋势保持原状；当最大的正相关系数出现在最后一个时点之前的任一时点时，表明趋势变动，完整地说是后面的或相邻变量的序列较前面的或相邻前面变量的序列延迟，前面的或相邻前面变量的序列超前的时点即在最大正相关系数所在的时点。 在本试验中，一个时间序列为5个时点段，结果图显示最大正相关系数位于最后一个时点，故表明前后时间序列稳定，即具有周期性。 实验心得： 本次实验收获很多，学会使用spss进行时间序列的使用！

SPSS时间序列分析案例

用SPSS软件做时间序列分析，有某公司2002年一季度到2010年二季度的34个税后利润数据，要求预测出该公司2010年三季度和四季度的税后利润。 要求： 1.画出序列趋势图 2.绘制出自相关图和偏自相关图 3.确定参数和模型 4.给出预测值 观测值序列图

2 税后盈利 自相关图序列:税后盈利 滞后 自相关标准误差a Box-Ljung 统计量 值df Sig.b 1 .306 .164 3.48 2 1 .062 2 .198 .162 4.987 2 .083 3 .185 .159 6.340 3 .096 4 .542 .157 18.342 4 .001 5 .084 .154 18.641 5 .002 6 .06 7 .151 18.836 6 .004 7 .094 .149 19.239 7 .007 8 .458 .146 29.093 8 .000 9 .041 .143 29.176 9 .001 10 .016 .140 29.189 10 .001 11 .012 .137 29.197 11 .002 12 .236 .134 32.308 12 .001 13 -.092 .131 32.806 13 .002 14 -.094 .128 33.345 14 .003 15 -.079 .125 33.745 15 .004 16 .106 .121 34.510 16 .005 a. 假定的基础过程是独立性（白噪音）。 b. 基于渐近卡方近似。

偏自相关 序列:税后盈利 滞后偏自相关标准误差 1 .306 .171 2 .115 .171 3 .107 .171 4 .503 .171 5 -.279 .171 6 -.010 .171 7 .046 .171 8 .268 .171 9 -.130 .171 10 -.054 .171 11 -.053 .171 12 -.081 .171 13 -.040 .171 14 -.051 .171 15 -.027 .171 16 -.062 .171

spss时间序列分析教程

时间序列分析 时间序列概述 1.基本概念 ()一般概念：系统中某一变量的观测值按时间顺序（时间间隔相同）排列成一个数值序列，展示研究对象在一定时期内的变动过程，从中寻找和 分析事物的变化特征、发展趋势和规律。它是系统中某一变量受 其它各种因素影响的总结果。 ()研究实质：通过处理预测目标本身的时间序列数据，获得事物随时间过程的演变特性与规律，进而预测事物的未来发展。它不研究事物之间相 互依存的因果关系。 ()假设基础：惯性原则。即在一定条件下，被预测事物的过去变化趋势会延续到未来。暗示着历史数据存在着某些信息，利用它们可以解释与预 测时间序列的现在和未来。 近大远小原理（时间越近的数据影响力越大）和无季节性、无趋 势性、线性、常数方差等。 ()研究意义：许多经济、金融、商业等方面的数据都是时间序列数据。 时间序列的预测和评估技术相对完善，其预测情景相对明确。 尤其关注预测目标可用数据的数量和质量，即时间序列的长度和 预测的频率。 2.变动特点 ()趋势性：某个变量随着时间进展或自变量变化，呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向，但变动幅度可能不等。()周期性：某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。()随机性：个别为随机变动，整体呈统计规律。 ()综合性：实际变化情况一般是几种变动的叠加或组合。预测时一般设法过滤除去不规则变动，突出反映趋势性和周期性变动。 3.特征识别 认识时间序列所具有的变动特征，以便在系统预测时选择采用不同的方法。()随机性：均匀分布、无规则分布，可能符合某统计分布。(用因变量的散点图和直方图及其包含的正态分布检验随机性，大多数服从正态分布。) ()平稳性：样本序列的自相关函数在某一固定水平线附近摆动，即方差和数学期望稳定为常数。 样本序列的自相关函数只是时间间隔的函数，与时间起点无关。其 具有对称性，能反映平稳序列的周期性变化。 特征识别利用自相关函数：ργγ 其中γ是的阶自协方差，且ρ、<ρ<。 平稳过程的自相关系数和偏自相关系数都会以某种方式衰减趋近于，前者测度当前序列与先前序列之间简单和常规的相关程度， 后者是在控制其它先前序列的影响后，测度当前序列与某一先前序 列之间的相关程度。 实际上，预测模型大都难以满足这些条件，现实的经济、金融、商业等序列

spss时间序列讲解

https://www.wendangku.net/doc/6812972452.html,/view/15ae83cea1c7aa00b52acbd6.html时间序列教程 时间序列预测技术之二——SPSS18 软件操作 (2009-11-26 18:38:29) 转载▼ 分类：数据分析 标签： 时间序列 预测 it 转至沈浩老师博客：https://www.wendangku.net/doc/6812972452.html,/137715309.html 下面看看如何采用SPSS软件进行时间序列的预测! 这里我用PASW Statistics 18软件，大家可能觉得没见过这个软件，其实就是SPSS18.0，不过现在SPSS已经把产品名称改称为PASW了！ 我们通过案例来说明：（本案例并不想细致解释预测模型的预测的假设检验问题，1-太复杂、2-相信软件） 假设我们拿到一个时间序列数据集：某男装生产线销售额。一个产品分类销售公司会根据过去10 年的销售数据来预测其男装生产线的月销售情况。

现在我们得到了10年120个历史销售数据，理论上讲，历史数据越多预测越稳定，一般也要24个历史数据才行！ 大家看到，原则上讲数据中没有时间变量，实际上也不需要时间变量，但你必须知道时间的起点和时间间隔。 当我们现在预测方法创建模型时，记住：一定要先定义数据的时间序列和标记！

这时候你要决定你的时间序列数据的开始时间，时间间隔，周期！在我们这个案例中，你要决定季度是否是你考虑周期性或季节性的影响因素，软件能够侦测到你的数据的季节性变化因子。

定义了时间序列的时间标记后，数据集自动生成四个新的变量：YEAR、QUARTER、MONTH 和DATE（时间标签）。 接下来：为了帮我们找到适当的模型，最好先绘制时间序列。时间序列的可视化检查通常可以很好地指导并帮助我们进行选择。另外，我们需要弄清以下几点： ?此序列是否存在整体趋势？如果是，趋势是显示持续存在还是显示将随时间而消逝？ ?此序列是否显示季节变化？如果是，那么这种季节的波动是随时间而加剧还是持续稳定存在？