Cómo Hacer Media Móvil En Spss

Estoy tratando de calcular promedios móviles que abarcan 30 días (medias móviles anteriores) utilizando SPSS 20 para aproximadamente 1200 tickers de acciones. Me gustaría usar un bucle como: Calcular el promedio móvil de 30 días para un ticker decir AAAA o 0001 y guardarlo como MA30AAAA o MA300001. Tomar otro ticker decir AAAB o 0002 y hacer lo anterior. Continúa hasta que todos los tickers son capturados y MA calculado, guardado en nuevas columnas. ¿Crees que puedo desarrollar una sintaxis de SPSS para eso. Si intento lo siguiente, recibiré advertencias de error. Por favor, ¿puede ayudarme a obtener una sintaxis razonablemente bien estructurada para hacer mi trabajo. Pidió Nov 18 12 at 16:04 Había una pregunta muy similar hoy en LinkedIn (vea aquí o abajo para la respuesta). - Asumiendo que cada fecha está presente exactamente una vez en los datos, la sintaxis a continuación calculará los totales anuales en movimiento y los promedios en cada fecha de las 29 fechas anteriores. - Si menos de 29 días precedieron a alguna fecha, estas nuevas variables no se calcularán para esta fecha. - Las 2 nuevas variables aparecerán en una columna cada una, pero con unas pocas líneas adicionales puede poner cada valor en su propia columna si lo desea. Herramientas para la creación de modelos, aplicación de un modelo existente para el análisis de series de tiempo, descomposición estacional y análisis espectral de datos de series de tiempo, así como herramientas para calcular autocorrelaciones y correlaciones cruzadas. Los siguientes dos clips de película muestran cómo crear un modelo de serie temporal de suavizado exponencial y cómo aplicar un modelo de serie temporal existente para analizar datos de series temporales. MOVIE: Modelo Extendencial de Suavizado MOVIE: Modelo ARIMA Herramienta Expert Modeler En este taller en línea, encontrará muchos clips de película. Cada clip de película demostrará algún uso específico de SPSS. Crear modelos TS. Existen diferentes métodos disponibles en SPSS para crear modelos de series temporales. Existen procedimientos para modelos de suavización exponencial, univariante y multivariante Autoregressive Integrated Moving-Average (ARIMA). Estos procedimientos producen pronósticos. Métodos de suavizado en la predicción: los promedios móviles, los promedios móviles ponderados y los métodos exponenciales de suavizado se usan a menudo en la predicción. El objetivo principal de cada uno de estos métodos es suavizar las fluctuaciones aleatorias en las series temporales. Éstas son efectivas cuando la serie temporal no muestra efectos significativos de tendencia, cíclicos o estacionales. Es decir, la serie de tiempo es estable. Los métodos de suavizado son generalmente buenos para los pronósticos a corto plazo. Promedios móviles: Promedios móviles utiliza el promedio de los valores de datos k más recientes de la serie temporal. Por definición, MA S (valores k más recientes) / k. El MA promedio cambia a medida que se hacen nuevas observaciones. Promedio móvil ponderado: En el método MA, cada punto de datos recibe el mismo peso. En la media móvil ponderada, usamos pesos diferentes para cada punto de datos. Al seleccionar los pesos, calculamos el promedio ponderado de los valores de datos k más recientes. En muchos casos, el punto de datos más reciente recibe el mayor peso y el peso disminuye para los puntos de datos más antiguos. La suma de los pesos es igual a 1. Una forma de seleccionar pesos es usar pesos que minimicen el criterio de error cuadrático medio (MSE). Método de suavizado exponencial. Este es un método de promedio ponderado especial. Este método selecciona el peso para la observación más reciente y los pesos para observaciones anteriores se calculan automáticamente. Estos otros pesos disminuyen a medida que las observaciones crecen. El modelo básico de suavizado exponencial es donde F t 1 se pronostica para el período t 1, t observación en el período t. F t pronóstico para el período t. Y un parámetro de suavizado (o constante) (0 lt a lt1). Para una serie de tiempo, F 1 1 para el período 1 y las previsiones posteriores para los períodos 2, 3, se puede calcular por la fórmula de F t 1. Utilizando este enfoque, se puede mostrar que el método de suavizado exponencial es un promedio ponderado de todos los puntos de datos anteriores en la serie temporal. Una vez que se conoce, necesitamos conocer t y F t para calcular la previsión para el período t 1. En general, elegimos a que minimiza el MSE. Simple: apropiado para series en las que no hay tendencia o estacionalidad. Componente de media móvil (q): órdenes de media móvil especifican cómo se utilizan las desviaciones de la media de series para los valores anteriores para predecir los valores actuales. Expert Time Series Modeler determina automáticamente el mejor ajuste para los datos de series temporales. Por defecto, el modelizador experto considera los modelos de suavizado exponencial y ARIMA. El usuario puede seleccionar sólo los modelos ARIMA o Smoothing y especificar la detección automática de outliers. El clip de película siguiente muestra cómo crear un modelo ARIMA utilizando el método ARIMA y el modelador experto proporcionado por SPSS. El conjunto de datos utilizado para esta demostración es el conjunto de datos AirlinePassenger. Consulte la página del conjunto de datos para obtener más detalles. Los datos de pasajeros de las aerolíneas se dan como serie G en el libro Análisis de series temporales: Predicción y control por Box y Jenkins (1976). El número variable es el total mensual de pasajeros en miles. Bajo la transformación logarítmica, los datos han sido analizados en la literatura. Aplicar modelos de series temporales. Este procedimiento carga un modelo de serie temporal existente desde un archivo externo y el modelo se aplica al conjunto de datos SPSS activo. Esto se puede utilizar para obtener pronósticos para series para las cuales se dispone de datos nuevos o revisados ​​sin comenzar a construir un nuevo modelo. El cuadro de diálogo principal es similar al cuadro de diálogo principal Crear modelos. Análisis espectral . Este procedimiento se puede usar para mostrar comportamiento periódico en series de tiempo. Gráficos de Secuencia. Este procedimiento se utiliza para trazar casos en secuencia. Para ejecutar este procedimiento, necesita datos de series de tiempo o un conjunto de datos que se ordena en cierto orden significativo. Autocorrelaciones. Este procedimiento traza la función de autocorrelación y la función de autocorrelación parcial de una o más series de tiempo. Correlaciones cruzadas. Este procedimiento traza la función de correlación cruzada de dos o más series de tiempo para retardos positivos, negativos y cero. Consulte el Menú de ayuda de SPSS para obtener información adicional sobre el modelo de series temporales aplicadas, análisis espectral, diagramas de secuencia, autocorrelaciones y procedimientos de correlación cruzada. Su taller en línea SPSS es desarrollado por el Dr. Carl Lee, el Dr. Felix Famoye. Los asistentes Barbara Shelden y Albert Brown. Departamento de Matemáticas, Universidad Central de Michigan. Todos los derechos reservados. Me gustaría crear una lista de columnas en SPSS como MACOL1, MACOL2 y hasta MACOLn que contengan 5 años de media móvil de una lista de Tickers / Symbols / Variables usando una sintaxis corta como: y lo que necesito hacer Es crear un promedio móvil de cada ticker / col de variables de interés y guardarlo en una nueva columna. Puedo hacer esto simplemente modificando la sintaxis anterior y necesito un comando de estilo de bucle que toma el nombre de una columna, crea una nueva columna con MA y guarda, toma otra columna, crea una columna MA y así sucesivamente. Por lo tanto, no quiero hacerlo por cada columna antigua por separado, más bien quiero usar un bucle y hacerlo con ese simple bucle. Preguntó 18 de noviembre 12 a las 13:00