使用 ARIMA 进行预测的示例
主题     解释结果     会话命令    另请参见 

在拟合 ARIMA 模型的示例中，发现具有 12 次季节差分的 AR(1) 模型与食品部门雇佣数据拟合得很好。现在使用此拟合预测接下来 12 个月的雇佣情况。

步骤 1：在不显示残差的 acf 和 pacf 的情况下重新拟合 ARIMA 模型

1    执行 ARIMA 示例中的 1 - 4 步。

步骤 2：显示时间序列图

1    单击图形。选中时间序列图。单击确定。

步骤 3：生成预测

1    单击预测。在预测点数中，输入 12。在每个对话框中单击确定。

会话窗口输出

综合自回归移动平均 (ARIMA) 模型: 食品

 

 

每次迭代中的估计值

 

迭代      SSE      参数

   0  95.2343  0.100  0.847

   1  77.5568  0.250  0.702

   2  64.5317  0.400  0.556

   3  56.1578  0.550  0.410

   4  52.4345  0.700  0.261

   5  52.2226  0.733  0.216

   6  52.2100  0.741  0.203

   7  52.2092  0.743  0.201

   8  52.2092  0.743  0.200

   9  52.2092  0.743  0.200

 

每个估计值的相对变化不到 0.0010

 

 

参数的最终估计值

 

类型      系数  系数标准误     T      P

AR   1  0.7434      0.1001  7.42  0.000

常量    0.1996      0.1520  1.31  0.196

 

 

差值:0 正规，顺序 12 的 1 周期

观测值个数:原始序列 60，48 差值之后

残差:SS =  51.0364（不包括向后预测）

              MS =  1.1095  DF = 46

 

 

修正 Box-Pierce(Ljung-Box)卡方统计量

 

滞后 (Lag)     12     24     36  48

卡方         11.3   19.1   27.7   *

自由度         10     22     34   *

P 值        0.338  0.641  0.768   *

 

 

从周期 60 后开始的预测

 

                   95% 限制

周期     预测     下限     上限  实际

  61  56.4121  54.3472  58.4770

  62  55.5981  53.0251  58.1711

  63  55.8390  53.0243  58.6537

  64  55.4207  52.4809  58.3605

  65  55.8328  52.8261  58.8394

  66  59.0674  56.0244  62.1104

  67  69.0188  65.9559  72.0817

  68  74.1827  71.1089  77.2565

  69  76.3558  73.2760  79.4357

  70  67.2359  64.1527  70.3191

  71  61.3210  58.2360  64.4060

  72  58.5100  55.4240  61.5960

图形窗口输出

解释结果

ARIMA 使用 AR(1) 模型在会话窗口和图形窗口中给出置信限为 95% 的预测。季节因素决定未来 12 个月的预测情况，且预测值比前 12 个月稍高。