基於clementine（SPSS Modeler）的時間序列模型

SPSS clementine，就是如今的SPSS modeler，好吧，學校還在用這個老古董。目測如今介紹這方面的資料很少，正好在學習，就記錄下來。

時間序列模型可作預測，顧名思義預測將來某個變量在某一個時間的值。時間序列預測的變量的特徵有：週期性、季節性、非季節性、趨勢。

時間序列建模的算法：專家模式、ARIMA、指數平滑。

指數平滑

經過觀察的加權值來預測將來值。該算法不是以對數據的理解爲基礎的。

 

ARIMA

自迴歸移動平均模型(ARIMA)，是由博克思(Box)和詹金斯(Jenkins)於70年代初提出的一著名時間序列預測方法，基本思想是：將預測對象隨時間推移而造成的數據序列視爲一個隨機序列，用必定的數學模型來近似描述這個序列。這個模型一旦被識別後就能夠從時間序列的過去值及如今值來預測將來值。有助於解析要預測序列的行爲。

 

專家模式

自動識別使用指數平滑或者ARIMA算法，並調整參數來擬合，自動爲每一個相依序列查找擬合度最高的模型。

 

補充部分概念

自相關函數和部分自相關函數

自相關和部分自相關是當前序列值和過去序列值之間關聯度的測量，代表在預測未來值時過去的哪些序列值最有用。

ACF：自相關函數。

PACF：偏自相關函數。

 

殘差：實際觀測值與估計值之間的差

---------------------------------------------------------------------------

專家模式

模型類型。可用選項以下：
全部模型。「專家建模器」。自動判別ARIMA 模型和指數平滑法模型。
僅指數平滑法模型。「專家建模器」僅是指數平滑法模型。
僅 ARIMA 模型。Expert Modeler 僅是ARIMA 模型。

 

對ibm官方文檔所寫總結

http://www.ibm.com/support/knowledgecenter/SS3RA7_17.0.0/clementine/timeseries_exponentialsmoothing_criteria.dita?lang=zh