Analysis of Variance:
DF Adj. Sum of Squares Residual Variance Residuals 45 65.099923 1.4392678 Variables in the Model:
B SEB T-RATIO APPROX. PROB. AR1 .02318739 .31945836 .0725835 .94245925 MA1 -.44871554 .28829314 -1.5564558 .12660552 CONSTANT -.02421308 .25505018 -.0949346 .92478827
The following new variables are being created: Name Label
FIT_1 Fit for 样本数据 from ARIMA, MOD_1 CON ERR_1 Error for 样本数据 from ARIMA, MOD_1 CON LCL_1 95% LCL for 样本数据 from ARIMA, MOD_1 CON UCL_1 95% UCL for 样本数据 from ARIMA, MOD_1 CON SEP_1 SE of fit for 样本数据 from ARIMA, MOD_1 CON
各个输出统计量的意义：
常数项：认为是取值恒为1的常数变量，其系数就是自变量为0时
因变量的最优预测值，也称为预测基准值。
系 数：反映自变量对因变量影响的权重。
标准误：表明样本数据的可靠性。在(残差)参数近似服从正态分布
条件下，系数加减两倍的标准误差近似等于总体参数95%的置信区间。其值越小，置信区间越窄；并且其对于系数的相对值越小，估计结果越精确。
t统计量：估计系数与标准误差的比值，检验变量的不相关性。一般
给定5%显著水平，则拒绝原假设的0值位于95%的置信区间外，其绝对值必大于2。
t概率值：其值越小，则拒绝原假设不相关性的证据越充分。其值接
近0.05与t统计量接近2相对应。
均 值：度量变量的集中度，传递随机变量的位置信息。 标准差：度量变量的离散度，传递随机变量的规模信息。
平方和：残差平方和是许多统计量的组成部分，孤立考察无太大价
值。
准 则：信息准则AIC和SBC用于模型的选择，越小越好，但受自
由度约束较为严重。
R2校正：是模型中自变量对因变量变动的解释比例，度量方程预测
因变量的成功程度，其是回归标准误差与因变量标准差比较的结果。另一个比较方法是回归标准误差不超过因变量均值的10%则为好的模型。
DW统计：用于检验随机误差项是否存在序列相关。 LN似然：用于模型比较和假设检验，越大越好。 残差图：
4. 模型检验
检验新建模型的合理性。若检验不通过，则调整(p,q)值，重新估计参数和检验，反复进行直到接受为止。但模型识别、参数估计、检验修正三个过程之间相互作用、相互影响，有时需要交叉进行、反复实验，才能最终确定模型形式。 (1)相关图检验残差白噪声：
因为白噪声过程是序列无关的，所以白噪声过程的自相关函数和偏自相关函数在自相关图中均为等于0的水平直线。 (2)散点图检验残差独立性：
以误差值为纵坐标、以预测值为横坐标，观察散点分布的均匀性、随机性。 理想预测模型的预测误差一定是不可预测的、无规律的、序列无关的。 相应的DW统计量仅适用检验一阶序列。 (3)直方图检验残差零均值：
零均值仅检验残差序列无关，若正态分布则检验独立性。
(4)概率图检验残差自相关：以显著性水平0.05计算χ2()概率值，。
(5)均方差检验预测的效果：以预测误差的均方差最小为标准，注意预测误差仅与预测周期有关，而与起始时刻无关。
5. 模型预测
预测系统研究对象的未来某时刻状态。列出预测模型，计算预测值。
相关推荐：
loading