152 时间序列分析在股票市场中的应用.ppt

第15章 综合应用 从某钢铁集团公司钢研所获得一些钢铁冶炼的实测数据（Fedata.sav）。影响合金钢力学性能的因素很多, 如果将所有的影响都加以考虑, 则不仅使得计算工作量极为庞大, 而且也使得回归模型极为复杂, 算法可能也会难以运行。因此, 必须对这些因素进行分析处理, 突出其中的主要因素, 忽略次要因素,以尽量得到较优的回归模型。这里，研究C、Si、Mn、P、S、Al、Ni、Cr、Cu、Mo、As11中元素对钢铁厚度、屈服、抗拉和延伸性能的影响。 * 15.1 回归分析在钢铁质量管理中的应用 15.2 时间序列分析在股票市场中的应用 15.1 回归分析在钢铁质量管理中的应用 15.1.1 数据预处理 ● 处理缺失数据 如果样本量比较大，针对X缺失较多，Y缺失较少的情况，删除缺失Y的行，对缺失X的地方用该列的均值填补。 ● 剔除异常值 在多种剔除异常值的方法中，这里选择的是常用的3sigma原理对异常值进行了剔除。最后，编程载入数据。通过比较，发现数据不作处理会有更好的实际意义。 ● 数据变换 对以上处理后的数据进行正态性检验，并对没有通过检验的数据进行BOX-COX变换，以满足利用数据进行回归建模的要求。 ● 工艺制度的影响 根据炼钢工艺、轧钢工艺的不同，对数据进行分组处理，如炼钢工艺中的断面、轧钢工艺中所采用的不同热处理工艺。区分后的数据组采用用于程序处理。 15.1.2 逐步回归 这里，仅对抗拉性能针对11种元素做逐步回归，其余三种性能的做法和此方法类似。SPSS演示步骤如下： 1. 启动SPSS软件，打开选用数据，如图15.1； 2. 单击【分析】、【回归】、【线性】得到如图15.2所示的“线性回归”窗口； 图15.2 线性回归 3. 将因变量和自变量分别选入，见图15.3； 图15.3 选入变量图 4. 分别点击“统计量”、“绘制”、“选项”选项卡，按图15.4、15.5、15.6所示选中选项； 图15.5 统计量选项卡 图15.5 统计量选项卡 图15.6 选项选项卡 所得结果如下： a. 因变量: 抗拉 步进（准则: F-to-enter 的概率 = .050，F-to-remove 的概率 = .100）。 . CR 3 步进（准则: F-to-enter 的概率 = .050，F-to-remove 的概率 = .100）。 . SI 2 步进（准则: F-to-enter 的概率 = .050，F-to-remove 的概率 = .100）。 . C 1 方法 移去的变量 输入的变量 模型 表15-1输入／移去的变量a a. 预测变量: (常量), C。 b. 预测变量: (常量), C, SI。 c. 预测变量: (常量), C, SI, CR。 d. 因变量: 抗拉 28.819 .579 .581 .796c 3 29.984 .579 .581 .762b 2 32.134 .618 .627 .792a 1 标准 估计的误差 调整 R 方 R 方 R 模型 表15-2模型汇总d a. 预测变量: (常量), C。 b. 预测变量: (常量), C, SI。 c. 预测变量: (常量), C, SI, CR。 d. 因变量: 抗拉 155 244638.942 总计 830.541 152 126242.239 残差 .000c 47.518 39465.568 3 118396.703 回归 3 155 244638.942 总计 899.015 153 137549.224 残差 .000b 59.560 53544.859 2 107089.718 回归 2 155 244638.942 总计 1032.588 154 159018.593 残差 .000a 82.918 85620.349 1 85620.349 回归 1 Sig. F 均方 df 平方和 模型 表15-3 方差分析表d a. 因变量: 抗拉 117.987 577.01 695 4.094 143 121.829 533.17 655 4.227 39 残差 预测值 抗拉 标准 残差 案例数目 表15-5 案例诊断a a. 因变量: 抗拉 156 .990 .000 4.227 -1.986 标准 残差 156 1.000 .000 2.407 -1.919 标准 预测值 156 28.539 .000 121.829 -57.236 残差 156 27.638 510.48 577.01 457.44 预测值 N 标准 偏差 均值 极大值 极小值 表15-5 残差统计量a 图15.7 抗拉回归标准化残差直方图 图15.8标