利用spss进行时间序列分析

实验五用EXCEL进行时间序列分析

一、测定增长量和平均增长量

例5-1：下图为我国2000-2011年各年就业人数数据，计算逐期增长量和累计增长量。

计算逐期增长量：在C3中输入公式：=B3-B2，并用鼠标拖曳将公式复制到C3：C13区域。

计算累计增长量：在D3中输入公式：=B3-$B$2，并用鼠标拖曳公式复制到D3：D13区域。

1

计算平均增长量（水平法）：在C10中输入公式：=（B13-B2）/11，（n-1=11）按回车键，即可得到平均增长量。

由以上分析可知，除2001年比2000年就业人口数有大幅增长外，此后近十年间，就业人口数目保持稳定增长,且2000-2011年平均增长量为万人。

2

二、测定发展速度和平均发展速度

仍以我国2000-2011年各年就业人数数据为例，计算定基发展速度、环比发展速度和平均发展速度。数据录入如下：

计算定基发展速度：在C3中输入公式：=B3/$B$2，并用鼠标拖曳将公式复制到C3：C13区域。

计算环比发展速度：在D3中输入公式：=B3/B2，并用鼠标拖曳将公式复制到D3：D13区域。

3

计算平均发展速度（水平法）：选中C10单元格，单击插入菜单，选择函数选项，出现插入函数对话框后，选择GEOMEAN（返回几何平均值）函

第 8 章 利用 SPSS 进行Logistic 回归分析

现实中的很多现象可以划分为两种可能，或者归结为两种状态，这两种状态分别用0

和1 表示。如果我们采用多个因素对0－1 表示的某种现象进行因果关系解释，就可能应用 到logistic 回归。Logistic 回归分为二值logistic 回归和多值logistic 回归两类。首先用实例讲

述二值logistic 回归，然后进一步说明多值logistic 回归。在阅读这部分内容之前，最好先看 看有关SPSS 软件操作技术的教科书。

§8.1 二值logistic 回归

8.1.1 数据准备和选项设置

我们研究 2005 年影响中国各地区城市化水平的经济地理因素。城市化水平用城镇人口 比重表征，影响因素包括人均GDP、第二产业产值比重、第三产业产值比重以及地理位置。 地理位置为名义变量，中国各地区被分别划分到三大地带：东部地带、中部地带和西部地带。 我们用各地区的地带分类代表地理位置。

第一步：整理原始数据。这些数据不妨录入Excel 中。数据整理内容包括两个方面：一 是对各地区按照三大地带的分类结果赋值，用0、1 表示，二是将城镇人口比重转换逻辑值， 变量名称为“城市化”。以各地区20

实验二利用MATLAB进行时域分析本实验内容包含以下三个部分:基于MATLAB得线性系统稳定性分析、基于MATLAB得线性系统动态性能分析、与MATALB进行控制系统时域分析得一些其它实例。

一、基于MATLAB得线性系统稳定性分析

线性系统稳定得充要条件就是系统得特征根均位于S平面得左半部分。系统得零极点模型可以直接被用来判断系统得稳定性。另外,MATLAB语言中提供了有关多项式得操作函数,也可以用于系统得分析与计算。

(1)直接求特征多项式得根

设p为特征多项式得系数向量,则MATLAB函数roots()可以直接求出方程p=0在复数范围内得解v,该函数得调用格式为:

v=roots(p) 例3、1 已知系统得特征多项式为:

特征方程得解可由下面得MATLAB命令得出。

>> p=[1,0,3,2,1,1];

v=roots(p)

结果显示:

v =

0、3202 + 1、7042i

0、3202 - 1、7042i

-0、7209

0、0402 + 0、6780i

0、0402 - 0、6780i

利用多项式求根函数roots(),可以很方便得求出系统得零点与极点,然后根据零极点分析系

《统计软件实验报告》

SPSS软件的上机实践应用

时间序列分析

数学与统计学学院

一、 实验内容：

时间序列是指一个依时间顺序做成的观察资料的集合。时间序列分析过程中最常用的方法是：指数平滑、自回归、综合移动平均及季节分解。

本次实验研究就业理论中的就业人口总量问题。但人口经济的理

论和实践表明，就业总量往往受到许多因素的制约，这些因素之间有着错综复杂的联系，因此，运用结构性的因果模型分析和预测就业总量往往是比较困难的。时间序列分析中的自回归求积分移动平均法（ARIMA）则是一个较好的选择。对于时间序列的短期预测来说，随机时序ARIMA是一种精度较高的模型。

我们已辽宁省历年（1969-2005）从业人员人数为数据基础建立一个就业总量的预测时间序列模型,通过spss建立模型并用此模型来预测就业总量的未来发展趋势。

二、 实验目的：

1. 准确理解时间序列分析的方法原理 2. 学会实用SPSS建立时间序列变量

3. 学会使用SPSS绘制时间序列图以反应时间序列的直观特征。 4. 掌握时间序列模型的平稳化方法。 5. 掌握时间序列模型的定阶方法。

6. 学会使用SPSS建立时间序列模型与短期预测。 7. 培养运用时间序列分析方法解决身边实际问题的能

利用SPSS进行因子分析（R型）

【例】与主成分分析的数据相同：全国30个省市的8项经济指标。 因子模型是一个封闭方程，通常采用主成分求解，称为“主因解”。上次讲述的“利用SPSS进行主成分分析”的过程，实际上是因子分析的第一步。在主成分分析基础上，加上因子旋转，就可完成基于主成分分析的所谓因子分析。当然也可通过另外的途径进行因子分析，在此暂不涉及。

第一步：录入或调入数据（见图1）。

图1 录入工作表中的原始数据

第二步，进行主成分分析（参见主成分分析部分，在此从略）。

第三步，因子正交旋转的系统设置。

沿着主菜单的“Analyze→Data Reduction→Factor?”路径打开因子分析选项框（图2），完成主成分分析的设置或过程以后，单击Rotation（旋转）按钮，打开“Factor Analysis: Rotation”（因子分析：旋转）选项单（图3），在Method（方法）栏中选中Varimax（方差极大正交旋转）复选项，此时Display（展示）栏中的Rotated Solution（旋转解）将被激活为系统默认态，选中Loading Plot(s)（载荷图）复选项，将会在输出结果中给出

1

因子载荷图式。注意此时的

线性回归是很重要的一种回归方法，但是线性回归只适用于因变量为连续型变量的情况，那如果因变量为分类变量呢？比方说我们想预测某个病人会不会痊愈，顾客会不会购买产品，等等，这时候我们就要用到logistic回归分析了。Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。 二值logistic回归：

选择分析——回归——二元logistic，打开主面板，因变量勾选你的二分类变量，这个没有什么疑问，然后看下边写着一个协变量。有没有很奇怪什么叫做协变量？在二元logistic回归里边可以认为协变量类似于自变量，或者就是自变量。把你的自变量选到协变量的框框里边。

细心的朋友会发现，在指向协变量的那个箭头下边，还有一个小小的按钮，标着a*b，这个按钮的作用是用来选择交互项的。我们知道，有时候两个变量合在一起会产生新的效应，比如年龄和结婚

运用SAS软件系统中的一些时间序列建模方法及回归分析方法对我国上海证券交易所的上证综合指数作了预测分析,得到了较高的预测精度,为预测股票市场的整体走势提供了一种方便实用的方法。

维普资讯

第 l 7卷第 5期 20 o 2年 l 0月

平顶山师专学报J u a o ig ig h n Tec esC l g o r l fP n dn s a a h r ol e n e

v0 . 7 NO 5 11 . Oc . 0 2 t2 0

运用时间序列对上证综合指数进行预测分析王成震，李波2( .东南大学上海梅山集团公司培训中心，苏南京 2 0 0; . 1江 1 0 0 2平顶山师专，南平顶山河[摘[关键

4 70 ) 6 0 2

要]运用 S S软件系统中的一些时间序列建模方法及回归分析方法对我国上海证券交易所的 A词]指数；软件；时间序列；预测[文献标识码] A[文章编号]0 8 2 12 0 )5—0 2 10—5 1 (0 2 0 0 0—0 3

上证综合指数作了预测分析，到了较高的预测精度，预测股票市场的整体走势提供了一种方便实用的方法 .得为

【中图分类号] TP 9;8 0 9 31F 3 .11前言

我国的证券交易尽管起步较晚，但经过

《小波分析及其应用》

题目：产生一组扫频信号，采用STFT进行时频分析，识别结果的不同信号成分，讨论分析选用参数对分析结果的影响。

1 产生一组扫频信号

使用chirp命令，chirp(t,0,1,200)产生一组扫频信号，设置该信号0时刻的瞬时频率为0，在t=1时刻的瞬时频率为200。

该信号如下：

10.80.60.40.2x(t)0-0.2-0.4-0.6-0.8-100.20.40.60.81time1.21.41.61.82

2 采用STFT进行时频分析

用spectrogram进行短时傅里叶变换时频分析 S = spectrogram(x,window,noverlap,nfft,fs) Window---窗函数，如果window为一个整数，x将被分成window段，每段使用Hamming窗函数加窗。如果window是一个向量，x将被分成length(window)段，每一段使用window向量指定的 窗函数加窗。所以如果想获取specgram函数的功能，只需指定一个256长度的Hann窗。

Noverlap---各段之间重叠的采样点数。它必须为一个小于window或length(window)的整数。 其意思为两个相

第1章 差分方程和滞后算子

第一节 差分方程

一．一阶差分方程

假定t期的y（输出变量）和另一个变量w（输入变量）和前一期的y之间存在如下动态方程：

yt??yt?1?w （1）

则此方程为一阶线性差分方程，这里假定w为一个确定性的数值序列。差分方程就是关于一个变量与它的前期值之间关系的表达式。一阶差分方程的典型应用为美国货币需求函数：

mt?0.27?0.72mt?1?0.19It?0.045rbt?0.019rct

wt?0.27?0.19It?0.045rbt?0.019rct

其中mt为货币量，It为真实收入，rbt为银行账户利率，rct为商业票据利率。 1）用递归替代法解差分方程 根据方程（1），可以得到

012?ty0??y?1?w0y1??y0?w1y2??y1?w2 （2） ?yt??yt?1?wt如果我们知道t??1期的初始值y?1和w的各期值，则可以通过动态系统得到任何一个时期的值。即

yt??t?1y?1??tw0??t?1w1?....?wt （3）

这个过程称为差分方程的

1、ARIMA模型 1.1 模型的适用条件与构建过程 1.2 EVIEWS操作简单说明 1.3 模型构建实例2、季节时间序列模型 2.1 确定性季节时间序列模型 2.2 随机性季节时间序列模型

时间序列建模分析 及EVIEWS应用

1、ARIMA模型 1.1 模型的适用条件与构建过程 1.2 EVIEWS操作简单说明 1.3 模型构建实例2、季节时间序列模型 2.1 确定性季节时间序列模型 2.2 随机性季节时间序列模型

目录1、ARIMA模型1.1 模型的适用条件与构建过程 1.2 EVIEWS操作简单说明 1.3 模型构建实例

2、季节时间序列模型2.1 确定性季节时间序列模型 2.2 随机性季节时间序列模型

1、ARIMA模型 1.1 模型的适用条件与构建过程 1.2 EVIEWS操作简单说明 1.3 模型构建实例2、季节时间序列模型 2.1 确定性季节时间序列模型 2.2 随机性季节时间序列模型

时间序列的预处理：拿到一个时间序列后，首先要对它的平 稳性和纯随机性进行检