基于spss的多变量时间序列的ARIMA模型

概述

数学建模的过程中必然会出现许多难以预料的问题，哪怕仅仅是一个温度预测模型也有莫大学问，譬如预测二十四小时内的温度变化，这多变量时间序列短期预测确实让我伤透了脑筋。

查阅了不少资料后，小弟我也勉勉强强总结出一套行之有效的办法，如有错漏，还请各位大佬予以指正。

基本步骤

1、根据时间序列的散点图、自相关函数和偏自相关函数图识别其平稳性。

2、对非平稳的时间序列数据进行平稳化处理。直到处理后的自相关函数和偏自相关函数的数值非显著非零。

3、根据所识别出来的特征建立相应的时间序列模型。平稳化处理后，若偏自相关函数是截尾的，而自相关函数是拖尾的，则建立AR模型；若偏自相关函数是拖尾的，而自相关函数是截尾的，则建立MA模型；若偏自相关函数和自相关函数均是拖尾的，则序列适合ARIMA模型。

链接: ARIMA模型详解.

4、参数估计，检验是否具有统计意义。

5、假设检验，判断（诊断）残差序列是否为白噪声序列。

白噪声在实际拟合模型的时候其实就是残余数，模型加上这个是为了解释只用ARMA部分预测不了的随机性。

6、利用已通过检验的模型进行预测。

引言

要进行多变量时间序列的分析预测，首先对单变量进行建模，并分析判断其在建模过程中表现出来的种种特性，有的童鞋上来直接进行多变量分析，把变量一股脑的扔到这里。

然后直接确定，最后结