SPSS的專家建模器可以自動識別資料，給出最適合的模型，本章透過三個例題介紹如何使用SPSS實現時間序列分析。由於本人對時間序列分析的理解尚淺，做出模型後在論文上的呈現形式需要取查閱資料，以便更好地在論文上呈現
在此之前，我們還需要了解時間序列分析的一些基礎的名詞
- 一、名詞解釋
- 1.時間序列的平穩性
- 2.ACF自相關係數
- 3.PACF偏自相關函式
- 二、例項分析————銷量資料預測
- 1.準備工作
- （1）畫出時序圖
- （2）不設定引數地建立模型————檢視模型結果
- 2.引數設定
- （1）條件
- （2）離群值
- （3）統計與圖
- （4）儲存與選項
- 3.結果分析
- （1）模型擬合度
- （2）模型統計
- （3）指數平滑法模型引數
- （4）殘差的ACF與PACF圖
- （5）擬合圖與真實圖的對比
- （6）模型預測
- 1.準備工作
- 三、例項分析————人口資料預測
- 1.新增標記
- 2.新增資料標籤
- 預測小結
一、名詞解釋
1.時間序列的平穩性
簡單來說，就是均值固定，相鄰項方差相同，相鄰項協方差為0
2.ACF自相關係數
3.PACF偏自相關函式
PACF使用的前提是資料為平穩序列。
二、例項分析————銷量資料預測
1.準備工作
在進行時間序列分析之前，我們需要先對資料進行一個視覺化觀察，並思考以下問題
（1）畫出時序圖
在定義好時間變數後，創造時序圖。如圖所示，這裡的資料已經是一個趨於平穩的值，不需要在設定差分，即不需要調整差異的引數
（2）不設定引數地建立模型————檢視模型結果
此處，我們先用預設的引數進行建模，觀察SPSS使用的哪種模型，心裡有一個底，然後進行分析
點選創造傳統模型，進入下圖的介面後，直接把因變數放進去，點選確定即可
可見SPSS選用的模型是溫特加法模型，之後我們需要根據這個模型取進行分析
2.引數設定
（1）條件
條件設定可以指定模型的尋找，是隻在指數平滑模型找還是在ARIMA模型找。其中，是否考慮季節性的引數可以不用修改，因為SPSS會自動識別此項，但是需要我們定義新的時間變數，因此在進行建模前，定義時間變數是必須的
（2）離群值
離群值也就是異常值，勾選了這個選項後，SPSS會自動識別異常值，應用時我們可以先不排除異常值，如果模型擬合度不好再設定排除，要排除可以全選。
各個異常值的種類如圖所示
（3）統計與圖
在“統計”裡面，我們需要勾選引數估算值；在“圖”裡面，我們需要勾選擬合值，這樣會在畫出來的圖中，把我們建模的擬合曲線與實際曲線畫在同一張圖內，便於觀察模型擬合效果。而ACF和PACF則是為了檢查殘差是否平穩
（4）儲存與選項
儲存我們已經非常熟悉，就是在資料集中新增一個新的變數，這裡我們只需要勾選預測值即可。選項處則是可以設定預測的時期
3.結果分析
（1）模型擬合度
此處R方0.992，為擬合優度，越接近1越好。正態化的BIC沒有一個相對的量，越接近0越準確。要用這個值比較的話，需要對比不同模型的BIC，但是SPSS已經找到了最優的模型，所以看此處意義並不大，但還是可以彙報到論文中的
（2）模型統計
此處我們進行的Q檢驗的p值為0.7>0.05，接受“殘差為0”的原假設，所以可以認為殘差是白噪聲
（3）指數平滑法模型引數
下圖是指數平滑法模型的引數，在我們的論文會介紹這個模型的公式。現在有了結果，就可以在論文中體現出來了
（4）殘差的ACF與PACF圖
此處的ACF與PACF圖都在兩條線內，因此可以認為殘差為0
（5）擬合圖與真實圖的對比
在模型視覺化後，我們可以看到模型的擬合值與真實值相差不大，因此我們的擬合效果還是很不錯的
（6）模型預測
在前面的選項中，我們可以設定預測的時期。如果想預測的話，設定好需要預測的時期即可。此外，我們還可以在儲存的選項中，勾選預測的置信上限與預測下限。效果如圖所示
三、例項分析————人口資料預測
因為建模的過程在前面的例題已經講的非常詳細了，此處我們只討論一些比較細節的圖形最佳化
1.新增標記
在此圖中，因為資料點比較少，我們可以對每個資料點新增標記，更好地觀察圖形的變化形式
2.新增資料標籤
在我們預測值比較少的時候，為了更清楚地看到預測值，我們可以對作出的圖新增資料標籤
預測小結
