基于clementine（SPSS Modeler）的时间序列模型

SPSS clementine，就是如今的SPSS modeler，好吧，学校还在用这个老古董。目测如今介绍这方面的资料很少，正好在学习，就记录下来。

时间序列模型可作预测，顾名思义预测将来某个变量在某一个时间的值。时间序列预测的变量的特征有：周期性、季节性、非季节性、趋势。

时间序列建模的算法：专家模式、ARIMA、指数平滑。

指数平滑

经过观察的加权值来预测将来值。该算法不是以对数据的理解为基础的。

 

ARIMA

自回归移动平均模型(ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出的一著名时间序列预测方法，基本思想是：将预测对象随时间推移而造成的数据序列视为一个随机序列，用必定的数学模型来近似描述这个序列。这个模型一旦被识别后就能够从时间序列的过去值及如今值来预测将来值。有助于解析要预测序列的行为。

 

专家模式

自动识别使用指数平滑或者ARIMA算法，并调整参数来拟合，自动为每一个相依序列查找拟合度最高的模型。

 

补充部分概念

自相关函数和部分自相关函数

自相关和部分自相关是当前序列值和过去序列值之间关联度的测量，代表在预测未来值时过去的哪些序列值最有用。

ACF：自相关函数。

PACF：偏自相关函数。

 

残差：实际观测值与估计值之间的差

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

专家模式

模型类型。可用选项以下：
全部模型。“专家建模器”。自动判别ARIMA 模型和指数平滑法模型。
仅指数平滑法模型。“专家建模器”仅是指数平滑法模型。
仅 ARIMA 模型。Expert Modeler 仅是ARIMA 模型。

 

对ibm官方文档所写总结

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