季节性SARIMA模型结果解读一、方法概述季节性SARIMA模型Seasonal ARIMA, 简称SARIMA是ARIMA模型的扩展形式由Box和Jenkins提出专门用于处理具有季节性或周期性特征的时间序列数据。SARIMA模型同时包含非季节性成分(p,d,q)和季节性成分(P,D,Q)_S其中p、d、q分别表示非季节性自回归阶数、差分阶数和移动平均阶数P、D、Q分别表示季节性自回归阶数、季节性差分阶数和季节性移动平均阶数S为季节周期长度。当数据呈现明显的周期性波动时SARIMA模型能够同时捕捉数据的趋势性和季节性特征实现更精确的拟合和预测。本研究使用SPSSAU软件进行SARIMA模型分析。在SPSSAU【计量经济研究】模块选择【季节Sarima】将变量拖拽至右侧对应分析框操作如下图二、模型参数与构建结果本研究通过SPSSAU自动建模功能基于信息准则最小化原则自动识别最优模型。最终确定的模型为SARIMA(1,0,0)(2,1,0)₁₂即非季节性部分为AR(1)季节性部分为SAR(2)并进行1阶季节差分季节周期S12以12个月/期为一个周期。三、模型参数估计表2报告了SARIMA(1,0,0)(2,1,0)₁₂模型的参数估计结果。模型包含截距项和3个自回归参数。截距项系数为0.290z1.660p0.097在10%水平上边际显著。非季节性自回归参数ar.L1的系数为-0.439z-3.444p0.0010.01在1%水平上显著表明前一期值对当期值具有显著的负向自回归效应。季节性自回归参数ar.S.L12的系数为-0.648z-5.048p0.0000.01高度显著表明12期前的值对当期值具有显著的负向季节性影响。季节性自回归参数ar.S.L24的系数为-0.577z-4.980p0.0000.01同样高度显著表明24期前的值也对当期值产生显著影响。三个自回归参数均达到统计显著水平说明模型同时捕捉到了数据的非季节性自回归特征和季节性周期特征。模型AIC值为195.630BIC值为206.102可用于与其他模型进行比较值越小表示模型拟合越好。四、模型拟合与预测表3展示了SARIMA模型的拟合效果和向后2期的预测结果。模型的均方根误差RMSE1.137均方误差MSE1.293平均绝对误差MAE0.913平均绝对百分比误差MAPE0.055即5.5%R²0.986。R²值高达0.986表明模型对数据的拟合程度极高可以解释数据变异的98.6%。MAPE仅为5.5%说明模型的平均预测偏差很小预测精度较高。向后1期的预测值为20.783向后2期的预测值为25.532。预测值呈现上升趋势反映了数据的季节性增长特征。图1 SARIMA模型拟合与预测图图1展示了SARIMA模型的数据拟合效果和预测结果。图中同时呈现了原始序列的实际值、模型的拟合值以及向后预测值和预测值的95%置信区间。从图中可以看出模型拟合值与实际值高度吻合捕捉到了数据的季节性波动模式和长期趋势。五、残差诊断检验表4报告了SARIMA模型的多项残差诊断检验结果用于评估模型是否充分提取了数据中的信息。Breusch-Godfrey LM检验用于检验残差是否存在序列相关。LM检验的F统计量为29.960p0.0010.05拒绝残差不存在序列相关的原假设提示残差中仍存在一定的序列相关信息。然而Ljung-Box白噪声检验的结果则显示Ljung-Box统计量为0.066p0.7970.05接受残差为白噪声的原假设表明残差整体上满足白噪声特征。两项检验结果存在一定差异但Ljung-Box检验是更为常用的白噪声判定标准其结果支持模型残差为白噪声的结论。异方差检验的H统计量为0.795p0.6120.05接受不存在异方差的原假设表明模型残差具有同方差性。Jarque-Bera正态性检验的JB统计量为0.997p0.6070.05接受残差满足正态性的原假设残差偏度为0.308峰度为2.863接近正态分布特征。六、Q统计量检验表5报告了模型残差的Q统计量检验结果。Q统计量用于检验残差是否为白噪声。从Q1到Q18所有阶数的Q统计量均高度显著p0.0000.01拒绝白噪声假设。这一结果与LM检验的结论一致提示残差中可能仍存在一定的可提取信息。但结合Ljung-Box检验p0.797的白噪声结论以及模型R²高达0.986的优异拟合效果模型整体表现仍然良好。七、结论本研究采用SARIMA(1,0,0)(2,1,0)₁₂模型对具有季节性特征的时间序列数据进行建模分析。模型参数估计结果显示非季节性AR(1)项系数-0.439p0.001和两个季节性AR项ar.S.L12系数-0.648p0.001ar.S.L24系数-0.577p0.001均高度显著。模型拟合效果优异R²0.986RMSE1.137MAPE仅为5.5%。向后2期预测值分别为20.783和25.532。残差诊断表明残差满足白噪声Ljung-Box检验p0.797、同方差性p0.612和正态性p0.607但LM检验提示可能存在一定序列相关p0.001。总体而言该SARIMA模型对数据的拟合和预测效果良好能够有效捕捉时间序列的季节性波动特征。