SPSS On-Line Training Workshop Time Series Verfahren bietet die Werkzeuge für die Erstellung von Modellen, die Anwendung eines bestehenden Modells für die Zeitreihenanalyse, die saisonale Zersetzung und die Spektralanalyse von Zeitreihendaten sowie Werkzeuge für die Berechnung von Autokorrelationen und Kreuzkorrelationen. Die folgenden zwei Videoclips zeigen, wie man ein exponentielles Glättungs-Zeitreihenmodell erstellt und wie man ein bestehendes Zeitreihenmodell zur Analyse von Zeitreihendaten anwendet. FILM: Exponentielles Glättungsmodell FILM: ARIMA Modell amp Expert Modeler Tool In diesem Online-Workshop finden Sie viele Videoclips. Jeder Filmclip zeigt einige spezifische Verwendung von SPSS. TS-Modelle erstellen Es gibt verschiedene Methoden in SPSS zur Erstellung von Time Series Models. Es gibt Verfahren für exponentielle Glättung, univariate und multivariate Autoregressive Integrated Moving-Average (ARIMA) Modelle. Diese Verfahren erzeugen Prognosen. Glättungsmethoden in der Prognose - Bewegungsdurchschnitte, gewichtete Bewegungsdurchschnitte und exponentielle Glättungsmethoden werden häufig bei der Prognose verwendet. Das Hauptziel jeder dieser Methoden ist es, die zufälligen Schwankungen in der Zeitreihe zu glätten. Diese sind wirksam, wenn die Zeitreihen keine signifikanten Tendenz, zyklische oder saisonale Effekte aufweisen. Das ist, die Zeitreihe ist stabil. Glättungsmethoden sind in der Regel gut für Kurzstreckenprognosen. Moving Averages: Moving Averages verwendet den Durchschnitt der aktuellsten k Datenwerte in der Zeitreihe. Nach Definition, MA S (die letzten k-Werte) k. Die durchschnittliche MA ändert sich, wenn neue Beobachtungen verfügbar werden. Weighted Moving Average: Bei MA-Methode erhält jeder Datenpunkt das gleiche Gewicht. Im gewichteten gleitenden Durchschnitt verwenden wir für jeden Datenpunkt unterschiedliche Gewichte. Bei der Auswahl der Gewichte berechnen wir den gewichteten Durchschnitt der letzten k Datenwerte. In vielen Fällen erhält der aktuellste Datenpunkt das meiste Gewicht und das Gewicht verringert sich für ältere Datenpunkte. Die Summe der Gewichte ist gleich 1. Eine Möglichkeit, Gewichte auszuwählen, besteht darin, Gewichte zu verwenden, die das mittlere quadratische Fehler (MSE) - Kriterium minimieren. Exponentielle Glättungsmethode. Dies ist eine spezielle gewichtete Durchschnittsmethode. Diese Methode wählt das Gewicht für die aktuellste Beobachtung aus und Gewichte für ältere Beobachtungen werden automatisch berechnet. Diese anderen Gewichte sinken, wenn die Beobachtungen älter werden. Das grundlegende exponentielle Glättungsmodell ist, wo F t 1 für die Periode t 1, t Beobachtung in der Periode t prognostiziert. F t Vorhersage für Periode t. Und einen Glättungsparameter (oder konstant) (0 lt a lt1). Für eine Zeitreihe setzen wir F 1 1 für Periode 1 und nachfolgende Prognosen für die Perioden 2, 3, können nach der Formel für F t 1 berechnet werden. Mit diesem Ansatz kann man zeigen, dass die exponentielle Glättungsmethode ein gewichteter Durchschnitt aller bisherigen Datenpunkte in der Zeitreihe ist. Einmal ist bekannt, müssen wir t und F t kennen, um die Prognose für die Periode t 1 zu berechnen. Im Allgemeinen wählen wir eine a, die das MSE minimiert. Einfach: passend für Serien, in denen es keinen Trend oder Saisonalität gibt. Moving Average (q) Komponente: Verschieben von durchschnittlichen Ordnungen legen fest, wie Abweichungen von der Serie für vorherige Werte verwendet werden, um aktuelle Werte vorherzusagen. Expert Time Series Modeler bestimmt automatisch die beste Passform für die Zeitreihendaten. Standardmäßig berücksichtigt der Expert Modeler sowohl exponentielle Glättung als auch ARIMA-Modelle. Der Benutzer kann nur ARIMA - oder Glättungsmodelle auswählen und die automatische Erkennung von Ausreißern angeben. Der folgende Filmclip veranschaulicht, wie ein ARIMA-Modell mit der ARIMA-Methode und dem Expert Modeler von SPSS bereitgestellt wird. Der für diese Demonstration verwendete Datensatz ist der AirlinePassenger-Datensatz. Weitere Informationen finden Sie auf der Seite Datensatz. Die Fluggastdaten werden als Reihe G im Buch Zeitreihenanalyse: Vorhersage und Kontrolle durch Box und Jenkins (1976) gegeben. Die variable Zahl ist der monatliche Passagier in Tausend. Unter der Log-Transformation wurden die Daten in der Literatur analysiert. Anwenden von Zeitreihenmodellen. Diese Prozedur lädt ein bestehendes Zeitreihenmodell aus einer externen Datei und das Modell wird auf das aktive SPSS-Dataset angewendet. Dies kann verwendet werden, um Prognosen für Serien zu erhalten, für die neue oder überarbeitete Daten verfügbar sind, ohne ein neues Modell aufzubauen. Das Hauptdialogfeld ähnelt dem Hauptdialogfeld "Modelle erstellen". Spektralanalyse . Dieser Vorgang kann verwendet werden, um periodisches Verhalten in Zeitreihen zu zeigen. Sequenzdiagramme. Diese Vorgehensweise wird verwendet, um Fälle nacheinander zu zeichnen. Um diese Prozedur auszuführen, benötigen Sie eine Zeitreihendaten oder einen Datensatz, der in einer aussagekräftigen Reihenfolge sortiert ist. Autokorrelationen. Diese Prozedur zeichnet die Autokorrelationsfunktion und die partielle Autokorrelationsfunktion einer oder mehrerer Zeitreihen auf. Kreuz-Korrelationen. Diese Prozedur zeichnet die Kreuzkorrelationsfunktion von zwei oder mehr Zeitreihen für positive, negative und Null-Verzögerungen auf. Weitere Informationen zum Anwenden von Zeitreihenmodellen, Spektralanalyse, Sequenzdiagrammen, Autokorrelationen und Kreuzkorrelationsverfahren finden Sie im SPSS-Hilfemenü. T seine Online-SPSS Training Workshop wird von Dr. Carl Lee, Dr. Felix Famoye entwickelt. Studentenassistenten Barbara Shelden und Albert Brown. Abteilung für Mathematik, Central Michigan University. Alle Rechte vorbehalten. Ich möchte eine Liste von Spalten in SPSS wie MACOL1, MACOL2 und bis zu MACOLn, die 5 Jahre gleitenden Durchschnitt einer Liste von TickersSymbolsVariables mit einer kurzen Syntax wie: und was ich tun muss, ist ein erstellen Gleitenden Durchschnitt jedes Tickercols von Variablen von Interesse und speichern Sie es in eine neue Spalte. Ich kann dies einfach ändern die oben genannten Syntax und ich brauche einen Loop-Stil Befehl, der den Namen einer Spalte, schafft eine neue Spalte mit MA und speichert, nimmt eine andere Spalte, erstellt eine MA-Spalte und so weiter. Also, ich will es nicht für jede alte Spalte separat machen, sondern ich möchte eine Schleife verwenden und es mit dieser einfachen Schleife machen. Fragte am 18.11. Um 13:00 Uhr Ich versuche, gleitende Durchschnitte zu berechnen, die sich über 30 Tage (vorhergehende Durchschnitte) mit SPSS 20 für etwa 1200 Stock Ticker erstrecken. Ich möchte eine Schleife wie: Berechnen Sie 30 Tage gleitenden Durchschnitt für einen Ticker sagen AAAA oder 0001 und speichern Sie es wie MA30AAAA oder MA300001. Nehmen Sie einen anderen Ticker sagen AAAB oder 0002 und tun wie oben. Fortsetzung, bis alle Tickers erfasst und MA berechnet, in neue Spalten gespeichert. Glaubst du, ich kann dafür eine SPSS-Syntax entwickeln. Wenn ich das ausprobiere, bekomme ich Fehlerwarnungen. Bitte können Sie mir helfen, eine vernünftig gut strukturierte Syntax zu bekommen, um meinen Job zu machen. Gefragt am 18. November um 16:04 Uhr Es gab eine sehr ähnliche Frage heute auf LinkedIn (siehe hier oder unten für die Antwort). - Assuming jedes Datum ist genau einmal in Ihren Daten vorhanden, die Syntax unten berechnen bewegte jährliche Summen und Mittelwerte über jedes Datum der vorherigen 29 Termine. - Weniger als 29 Tage vor einem Datum, werden diese neuen Variablen für dieses Datum nicht berechnet. (IMHO, das wäre irreführende Informationen.) - Die 2 neuen Variablen erscheinen in einer Spalte jeweils aber mit ein paar zusätzlichen Zeilen können Sie jeden Wert in seine eigene Spalte setzen, wenn gewünscht. Wie berechnen Sie einen gleitenden Durchschnitt innerhalb einer Variablen in SPSSPASW Statistik Ich verwende SPSS für Windows. Ich möchte einen gleitenden Durchschnitt mit einer Spanne von 3 für eine gegebene Variable berechnen. Zum Beispiel möchte ich eine neue Variable erstellen, die den Durchschnitt des ersten, zweiten und dritten Falles für eine gegebene Variable enthält. Ich würde dann den nächsten Fall der neuen Variablen mögen, um den Durchschnitt des zweiten, dritten und vierten Falles für die gegebene Variable zu enthalten und so weiter. Wie kann ich das tun? Die folgenden Befehle sollten Sie unterstützen. DATA LIST wird verwendet, um Beispieldaten zu erstellen. Die Variablen, der Tag und die Partitur werden erstellt. Wir verwenden dann die PMA-Funktion innerhalb des CREATE-Befehls, um den gleitenden Durchschnitt der Variablen zu berechnen. Wir setzen die Spanne des gleitenden Mittelwertes auf 3. Beachten Sie, dass in der resultierenden Variablen mavg die fist n-Fälle (basierend auf dem Spanwert) systemfehlen. In diesem Beispiel entspricht der vierte Fall der neuen Variablen mavg dem Durchschnitt der Fälle 1, 2 und 3 der Variablen, der Punktzahl und der fünfte Fall der Variablen, mavg, entspricht dem Mittel der Fälle 2,3, Und 4, und so weiter. Bitte beachten Sie das Kapitel, CREATE, speziell den Abschnitt, PMA-Funktion, im SPSS-Syntax-Referenzhandbuch für weitere Details zu solchen gleitenden Durchschnittsberechnungen. DATENLISTE Tag 1-2 Punktzahl 4-5. BEGINN DATEN 1 98 2 34 3 45 4 67 5 23 6 25 7 89 8 23 9 25 10 23 11 45 12 23 13 34 14 67 15 78 16 45 17 89 18 34 19 45 20 23 END DATEN. EXE CREATE mavg PMA (Punktzahl, 3). EXE Historische Nummer
Comments
Post a Comment