Análisis de series de tiempo de análisis de datos con SPSS

Cuando los datos están estrechamente relacionados con el tiempo, suelen tener cambios periódicos. En este momento, el análisis de series de tiempo es un buen método estadístico para descubrir, analizar y predecir su desarrollo y cambios. el software de análisis estadístico Operaciones de análisis de series temporales en SPSS.

P: ¿Qué es una serie temporal?

Respuesta: Una serie temporal es una colección de datos recopilados en diferentes momentos con intervalos de tiempo constantes.

Pregunta: ¿Qué es el análisis de series temporales?

Respuesta: El análisis de series de tiempo es un método estadístico que predice el desarrollo futuro de las cosas mediante el estudio del desarrollo y los patrones de cambio de los datos históricos. Mediante este método estadístico se pueden predecir los cambios en la facturación, las ventas, la población, las existencias, etc. de la empresa.

Operaciones en SPSS

Primero, preprocesar los datos:

1. Verifique si faltan datos. Si es así, es inconveniente para el procesamiento posterior. valores faltantes.

Transformar → Reemplazar valores faltantes → Seleccionar nueva variable → Ingrese el nuevo nombre de la variable y seleccione el método para reemplazar los valores faltantes.

2. Definir fecha

Datos → Definir fecha y hora

3. Prueba de estacionariedad (la estacionariedad se refiere a la expectativa de que la expectativa no cambia, la varianza es constante y la coherencia (la varianza no cambia con el tiempo)

Métodos de prueba: prueba de diagrama de series de tiempo, prueba de diagrama de autocorrelación, etc. Los datos se pueden suavizar creando una serie de tiempo

Convertir → Crear una serie de tiempo

Resultado (ejemplo: mediana en ejecución: si el intervalo es 1, es igual a los datos originales)

Después del preprocesamiento de los datos, los datos se analizan y estudian: diagrama de secuencia, análisis espectral, autocorrelación, etc.

1. Diagrama de secuencia: Análisis → Pronóstico de series temporales → Diagrama de secuencia → Seleccione variables, etiquetas de línea de tiempo, etc. según sea necesario.

Resultado (ejemplo): La fluctuación aproximada de los datos observables.

2. Análisis espectral: Análisis → Pronóstico de series temporales → Análisis espectral → Seleccionar variables y gráficos según sea necesario.

Resultados (ejemplo)

Para datos periódicos, se utiliza principalmente para detectar el comportamiento periódico o rítmico implícito del sistema.

Para datos no periódicos; , utilizado principalmente para revelar las características de autocorrelación del proceso de evolución del sistema.

3. Autocorrelación: Análisis → Pronóstico de series temporales → Autocorrelación → Seleccionar variables y otras.

Resultados:

Interpretación: La altura de la barra representa el tamaño del coeficiente de autocorrelación. El eje horizontal 1-16 representa el orden de la autocorrelación. Líneas superior e inferior, la autocorrelación parcial consiste en utilizar el coeficiente de autocorrelación parcial para examinar si la correlación restante todavía existe después de eliminar la transitividad de correlación del coeficiente de autocorrelación.

¡Con esto concluye la breve introducción al análisis de series temporales de SPSS!

FIN

Texto | FM