《表1 SPSS输出的模型拟合数据》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于监护仪质控大数据的性能预测模型初探》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由图4可知，自相关和偏自相关基本都收敛在置信区间内，且都属于截尾的属性，因此可对原始序列建立ARIMA（p，0，q）模型。p值和q值的确定也有多种方法，主要包括以下几种:（1）观察法。直接观察，如果自相关图在q+1阶突然截断趋近于0，则在q处截尾。同理，偏自相关图在p+1处截断趋近于0，则在p处截尾，二者结合判断。（2）参数检验。利用数理统计检验高阶模型新增加的参数是否近似为零，判断检验模型残差的相关特性等。（3）信息准则。确定一个与模型阶数有关的准则，如赤池信息准则（Akaike information criterion，AIC）、贝叶斯信息准则（Bayesian information criterion，BIC）等，既考虑拟合效果接近程度，又考虑参数个数[11-12]。在实际应用中可多种方法综合应用，本文采用观察法判断。从图4可以看出，虽然2幅图中截尾属性的地方不止一处，但自相关图中q=3开始突然截尾，偏自相关图中p=2开始突然截尾，故p=2，q=3。依次点击“分析”—“预测”—“创建模型”，将“因变量”设为“血氧”，“自变量”设为“日期”，“方法”设为ARIMA，“条件”设为“p=2，d=0，q=3”，并在“统计量”选项卡中，“拟合变量”选择“平稳的R方”和“R方”，“比较模拟”中选择“拟合优度”，“个别模型统计中”选择“参数估计”，SPSS输出的分析结果见表1。