综合自回归移动平均 (ARIMA) 示例

就业分析员对五年(60 个月)间三个行业的就业趋势进行研究。 分析员执行 ARIMA 以拟合贸易行业的模型。

  1. 打开样本数据,就业趋势.MTW
  2. 选择统计 > 时间序列 > 综合自回归移动平均 (ARIMA)
  3. 序列中,输入交易
  4. 自回归中的非季节下面,输入 1
  5. 单击图形,然后选择残差的 ACF
  6. 单击确定

解释结果

移动平均项的 p 值小于显著性水平 0.05。分析员得出移动平均项的系数显著不同于 0 的结论并将该项保留在模型中。Ljung-Box 卡方统计量的 p 值均大于 0.05,残差的自相关函数的任何相关都不显著。分析员得出模型符合残差保持独立这一假设。

综合自回归移动平均 (ARIMA) 模型: 交易

每次迭代的估计值 迭代 SSE 参数 0 543.908 0.100 90.090 1 467.180 -0.050 105.068 2 412.206 -0.200 120.046 3 378.980 -0.350 135.024 4 367.545 -0.494 149.372 5 367.492 -0.503 150.341 6 367.492 -0.504 150.410 7 367.492 -0.504 150.415 每个估计值的相对变化不到 0.001
参数的最终估计值 系数标 类型 系数 准误 T 值 P 值 AR 1 -0.504 0.114 -4.42 0.000 常量 150.415 0.325 463.34 0.000 均值 100.000 0.216

观测值个数: 60

残差平方和 自由度 SS MS 58 366.733 6.32299 排除向后预测
修正 Box-Pierce(Ljung-Box) 卡方统计量 滞后 (Lag) 12 24 36 48 卡方 4.05 12.13 25.62 32.09 自由度 10 22 34 46 P 值 0.945 0.955 0.849 0.940
使用此网站,即表示您同意对数据分析和个性化内容使用 Cookie。  请阅读我们的政策