ARIMA预测结果解读：模型诊断与样本外预测

基于ARIMA模型的时间序列预测分析一、分析方法概述ARIMA自回归积分滑动平均模型是时间序列分析中广泛使用的预测方法由Box和Jenkins提出适用于平稳或非平稳时间序列的建模与预测。ARIMA模型通过自回归AR项捕捉序列的自相关结构通过差分I使非平稳序列平稳化通过滑动平均MA项刻画随机冲击的持续性。模型定阶通常依据AIC赤池信息准则和BIC贝叶斯信息准则等信息准则进行自动搜索和优选。本研究基于SPSSAU软件对销售额时间序列数据进行ARIMA建模分析并进行向后2期预测。在SPSSAU【计量经济研究】模块选择【ARIMA模型】将变量拖拽至右侧对应分析框操作如下图二、模型识别与参数估计SPSSAU基于AIC信息准则对多个潜在备选模型进行自动建模和对比选择最终确定最优模型为ARMA(0,2,0)即纯滑动平均模型MA(2)。模型参数估计结果如表1所示。从表1可知ARMA(0,2,0)模型的常数项系数为-0.046z值为-0.173p值为0.863未达到显著性水平。模型AIC值为360.768BIC值为365.581。ARMA(0,2,0)模型意味着该时间序列经过2阶差分后达到平稳且不需要自回归项仅由2阶滑动平均项刻画序列的动态特征。三、白噪声检验Q统计量ARIMA模型要求残差序列为白噪声即残差不存在自相关性。采用Ljung-Box Q统计量进行白噪声检验原假设为残差是白噪声。检验结果如表2所示。从表2可知各阶Q统计量对应的p值均大于0.1。其中Q6的统计量为9.477p值为0.148大于0.1的显著性水平不能拒绝原假设说明模型残差为白噪声残差序列中不存在显著的自相关性。Q12的统计量为13.815p值为0.313同样支持白噪声假定。综合来看ARMA(0,2,0)模型的残差通过了白噪声检验模型构建合理基本满足使用要求。四、LM检验为进一步验证残差序列不存在序列相关性进行Breusch-Godfrey LM检验。原假设为序列不存在序列相关。检验结果如表3所示。从表3可知LM检验的F统计量为1.442p0.184T*R2统计量为13.765p0.184两个统计量的p值均大于0.05不能拒绝原假设进一步确认模型残差不存在序列相关性模型设定合理。五、预测结果分析从表4可知模型向后预测2期的结果分别为向后1期预测值为286.734向后2期预测值为285.213。预测值呈现小幅下降趋势。模型的均方根误差RMSE为2.131均方误差MSE为4.540平均绝对误差MAE为1.593平均绝对百分比误差MAPE为0.005即0.5%预测精度较高。R2值为1.000表明模型对历史数据的拟合程度极好。较小的RMSE和MAPE值说明模型的预测结果具有较高的可靠性和准确性。六、图形分析图1 ARIMA模型拟合与预测图从图1可以看出模型对历史销售额数据的拟合值与实际值高度吻合拟合曲线平滑地追踪了原始序列的波动趋势。向后预测2期的预测值延续了近期序列的走势预测区间内的变化趋势合理。结合较低的RMSE2.131和MAPE0.005指标可以认为该ARMA(0,2,0)模型的预测效果令人满意。七、结论本研究基于SPSSAU软件运用ARIMA方法对销售额时间序列数据进行建模与预测。通过AIC信息准则自动优选确定最优模型为ARMA(0,2,0)AIC360.768。白噪声检验结果显示Q6的p值为0.1480.1LM检验的p值为0.1840.05均支持残差为白噪声的假定模型设定合理。模型向后预测2期的结果分别为286.734和285.213RMSE为2.131MAPE仅为0.005预测精度较高。该模型可用于短期销售额预测为经营决策提供参考依据。