spss回归分析结果的DW值太小怎么办，还能用么（t，F值，p值都满足） 急！望好心人帮忙解答，谢谢~

1. spss回归分析结果的DW值太小怎么办，还能用么（t，F值，p值都满足） 急！望好心人帮忙解答，谢谢~

你好，F值和T值多少没有绝对的标准的。主要是看你的回归模型是否合理。在进行回归分析之后还要进行残差分析，看模型是否存在异方差，自相关，多重共线性等问题。若是存在异方差、自相关等问题，有可能会高估t值，F检验也会失效。所以单单看这个并不能下结论。如果你模型不存在违背基本假设的情况。那你所的出来的值是没有任何问题的。在实证分析中，R^2有0.734算不错了。因为在做宏观经济计量分析的时候，由于样本量的缺乏，以及数据记录等问题。难以保证有很高的拟合精度。最主要的是看是定量分析和定性分析是否相违背。（例如，一般情况下，销售量和销售价格是成反比的关系，但是你在回归分析时得到的结构是成正比的。那你就要注意了，要结合经济学的理论去分析你得到的结果是否合理。）
看了你的追问，你应该是想做主成分回归吧。主成分回归是先把所有指标做主成分分析，即提取主成分，然后利用主成分进行回归分析。这样做是可以的。另外你用SPSS做出来的是因子分析的结果，需要转化一下才能进行主成分回归。还有，据我做实例研究的经验，时间序列数据用来做因子分析是有待商榷的，需要进行一定的变换。
希望这个回答对你有用！

2. arima里面某些个指标都表示的是什么意思哇

举一个例子吧，比如月度的数据，就是周期为12，它有季节影响。
先对其1阶12步差分，通过看acf  pac f看是简单加法模型，还是乘法季节模型

如果是乘法模型那就要对季节部分模拟arima模型 
季节部分的arima是以周期位置的acf pacf 确定其模型参数 ar ma
seasonal=list(order=c(_,1,_)，period=_)周期是默认的

3. spss中ARIMA模型中参数的P，Q根据自相关的残差图和偏相关残差图怎么看的出来？

你这自相关图ACF从k=4之后突然趋近于0，所以是截尾。PACF从k=3之后突然趋近于0，也是截尾。自相关图截尾，偏自相关图截尾。所以不符合RIMA模型，不知道你这个带不带季节性。如果是非季节性的，你试试ARIMA(4，阶数，3)，如果是季节性的，你后面要跟季节性差分的参数。不排除你的数据为白噪声的可能。

4. SPSS中ARIMA模型的参数估计问题（含季节性）

将估计参数写入模型即可

5. 其中ARIMA(p,d.q)中，p是什么意思？q是什么意思， 分别如何确定呢？

ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归,p为自回归项，可以看自相关图来估计;MA为移动平均，q为移动平均项数，可以看偏相关图来估计，d为时间序列成为平稳时所做的差分次数。“差分”一词虽未出现在ARIMA的英文名称中，却是关键步骤。
ARIMA模型，差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），时间序列预测分析方法之一。

扩展资料：
ARIMA模型运用的流程
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ARMA模型。
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。
6、利用已通过检验的模型进行预测。
参考资料：百度百科-自回归模型

6. 用spss怎么进行arima模型建模

Arima模型在SPSS中的操作
      ARIMA，就是autoregressive integrated moving-average model，中文应该叫做自动回归积分滑动平均模型，它主要使用与有长期趋势与季节性波动的时间序列的分析预测中。
 
      ARIMA有6个参数，ARIMA (p,d,q)(sp,sd,sq)，后三个是主要用来描述季节性的变化，前三个针对去除了季节性变化后序列。为了避免过度训练拟合，这些参数的取值都很小。p与sp的含义是一个数与前面几个数线性相关，这两参数大多数情况下都取0, 取1的情况很少，大于1的就几乎绝种了。d与sd是差分，difference，d是描述长期趋势，sd是季节性变化，这两个参数的取值几乎也都是0，1，2，要做几次差分就取几作值。q与sq是平滑计算次数，如果序列变化特别剧烈，就要进行平滑计算，计算几次就取几做值，这两个值大多数情况下总有一个为0，也很少超过2的。
 
      ARIMA的思路很简单，首先用差分去掉季节性波动，然后去掉长期趋势，然后平滑序列，然后用一个线性函数+白噪声的形式来拟合序列，就是不断的用前p个值来计算下一个值。
 
用SPSS来做ARIMA大概有这些步骤：
1定义日期，确定季节性的周期，菜单为Data-Define dates
2画序列图来观察数值变化，菜单为Graph-sequence / Time Series - autoregressive
3若存在季节性波动，则做季节性差分，Graph- Time Series - autoregressive，先做一次，返回2观察，如果数列还存在季节性波动，就再做一次，需要做几次，sd就取几
4若观察到差分后的数列中有某些值远远大于平均值，则需要做平滑，做几次sq就取几
5然后看是否需要做去除长期趋势的差分，确定p与sp
6然后在ARIMA模型中测试是否存在其他属性影响预测属性，如果Approx sig接近0，则说明该属性可以加入模型，作为独立变量，值得注意的是，如果存在突变，可以根据情况自定义变量，这个在判断突变的原因比重时特别有用。
7然后用以确定的参数与独立变量进行拟合预测。
8最后，用Graph- Time Series - autoregressive来判断一下拟合产生的误差ERR，如果不存在明显特征，可以看作是无规律的随机白噪声，就可以认为建模成功。
9最后使用ARIMA模型进行预测即可
感觉在电信行业的KPI预测中，最有应用前景的是第六步，除了可以找到那些变量对目标值有影响外，还能确定在目标属性的变化中，不同原因的影响比例，如多少程度是由于竞争对手的失误，多少程度是因为自己表现好，多少程度是因为市场大环境变化了。此外，通过预测值，可以指导计划的编制和指标的制定，还能起到一点业务预警的作用。意义并不是很大，不过总比没有好~~

7. spss这款软件的主要功能介绍

1、SPSS的必需基础模块，管理整个软件平台，管理数据访问、数据处理和输出，并能进行很多种常见基本统计分析。
2、在进行数据处理时，除了基本的数据分析外，如果还想建立分析过程数据，就需要使用此模块。Advanced Statistics为分析结果建立更灵活、更成熟的模型，在处理嵌套数据时以得到更精确的预测模型，可以分析事件历史和持续时间数据。
3、主要用于回归分析。Regression提供大量的非线性建模工具、多维尺度分析以帮助研究人员进行回归分析。它将数据从数据约束中解放出来，方便地把数据分成两组，建立可控制的模型及表达式进行非线性模型的参数估计，能够建立比简单线性回归模型更好的预测模型。
4、SPSS Conjoint是包含三个相互关联过程的一个系统，用于进行全特征联合分析。联合分析使研究人员了解消费者的偏好，或在一定产品属性及其水平条件下的产品评定。

扩展资料：
SPSS由于功能强大、兼容性好、易用性强以及扩展性高等优点而备受数据分析人员的追捧。模块式结构是它的特点之一，SPSS将其所有的功能分散为多个模块，使得用户可以根据自身需求来选择适当的模块进行数据处理，大大节省了用户的精力资源。
SPSS在进化到18版本以前，SPSS Base是必须的，软件的整个框架、基本的数据获取、数据准备都被集中在此模块上，其他模块也必须搭建在SPSS Base上才可工作。从18版起，SPSS 所有的功能模块都可以单独存在并运行。
参考资料来源：
百度百科-spss

8. 用SPSS软件做ARIMA模型，最后预测出来的数据哪里得到

在模型选择设置的时候，可以选择将预测数据保存在当前数据集里面，也可以将新预测的数据作为结果一项输出到结果界面里面