下面看看如何采用SPSS軟件進行時間序列的預測!
這里我用PASW Statistics 18軟件，大家可能覺得沒見過這個軟件，其實就是SPSS18.0，不過現在SPSS已經把產品名稱改稱為PASW了！

博易智訊的馬博士剛剛把這個產品測試版給我，還是中文版，先睹為快吧！
我們通過案例來說明：（本案例并不想細致解釋預測模型的預測的假設檢驗問題，1-太復雜、2-相信軟件）
假設我們拿到一個時間序列數據集：某男裝生產線銷售額。一個產品分類銷售公司會根據過去 10 年的銷售數據來預測其男裝生產線的月銷售情況。

現在我們得到了10年120個歷史銷售數據，理論上講，歷史數據越多預測越穩定，一般也要24個歷史數據才行！

大家看到，原則上講數據中沒有時間變量，實際上也不需要時間變量，但你必須知道時間的起點和時間間隔。

當我們現在預測方法創建模型時，記?。阂欢ㄒ榷x數據的時間序列和標記！

這時候你要決定你的時間序列數據的開始時間，時間間隔，周期！在我們這個案例中，你要決定季度是否是你考 慮周期性或季節性的影響因素，軟件能夠偵測到你的數據的季節性變化因子。

定義了時間序列的時間標記后，數據集自動生成四個新的變量：YEAR、QUARTER、MONTH和DATE（時間標簽）。

接下來：為了幫我們找到適當的模型，最好先繪制時間序列。時間序列的可視化檢查通?？梢院芎玫刂笇Р椭覀冞M行選擇。另外，我們需要弄清以下幾點：

? 此序列是否存在整體趨勢？如果是，趨勢是顯示持續存在還是顯示將隨時間而消逝？

? 此序列是否顯示季節變化？如果是，那么這種季節的波動是隨時間而加劇還是持續穩定存在？

這時候我們就可以看到時間序列圖了！

我們看到：此序列顯示整體上升趨勢，即序列值隨時間而增加。上升趨勢似乎將持續，即為線性趨勢。此序列還有一個明顯的季節特征，即年度高點在十二月。季節變化顯示隨上升序列而增長的趨勢，表明是乘法季節模型而不是加法季節模型。

此時，我們對時間序列的特征有了大致的了解，便可以開始嘗試構建預測模型。時間序列預測模型的建立是一個不斷嘗試和選擇的過程。

PASW Statistics提供了三大類預測方法：1-專家建模器，2-指數平滑法，3-ARIMA

指數平滑法

指數平滑法有助于預測存在趨勢和/或季節的序列，此處數據同時體現上述兩種特征。創建最適當的指數平滑模型包括確定模型類型（此模型是否需要包含趨勢和/或季節），然后獲取最適合選定模型的參數。

1-簡單模型預測（即無趨勢也無季節）

首先我們采用最為簡單的建模方法，就是簡單模型，這里我們不斷嘗試的目的是讓大家熟悉各種預測模型，了解模型在什么時候不適合數據，這是成功構建模型的基本技巧。我們先不討論模型的檢驗，只是直觀的看一下預測模型的擬合情況，最后我們確定了預測模型后我們再討論檢驗和預測值。

從圖中我們看到，雖然簡單模型確實顯示了漸進的上升趨勢，但并不是我們期望的結果，既沒有考慮季節性變化，也沒有周期性呈現，直觀的講基本上與線性預測沒有差異。所以我們拒絕此模型。

2-Holt線性趨勢預測

Holt線性指數平滑法，一般選擇：針對等級的平滑系數lapha=0.1,針對趨勢的平滑系數gamma=0.2；

從上面的擬合情況看，Holt預測模型更平滑了，也就是說Holt模型比簡單模型顯現了更強的平滑趨勢，但未考慮季節因素，還是不理想，所以還應放棄此模型。

3-簡單季節性模型

當我們考慮了季節性變化后，簡單季節性預測模型基本上較好的擬合了數據的大趨勢，也就是考慮了趨勢和季節。

4-Winters相乘法預測模型

我們再次選擇Winters預測模型，實際上這時候非統計專業人士其實已經可以不用考慮Winters模型的原理了，因為對于大部分經營分析人員，如果期望把每一個預測方式的細節都搞清楚，并不容易，也容易陷入數量層面的糾葛中，我們只要相信軟件算法就可以了。

此時，在數據集的時間跨度為10年，并且包含 10 個季節峰值（出現在每年十二月份）中，簡單季節模型和Winters模型都撲捉到了這10個峰值與實際數據中的10個年度峰值完全匹配的預測結果。此時，我們基本上可以得到了一個比較滿意的預測結果。

此時也說明，無論采用指數平滑的什么模型，只要考慮了季節因素，都可以得到較好結果，不同的季節性指數平滑方法只是細微差異了。

但是，我們仔細看預測值和擬合值，還是有一些上升和下降的趨勢和結構沒有撲捉到。預測還有改進的需求！

5-ARIMA預測模型

ARIMA模型是自回歸AR和移動平均MA加上差分考慮，但ARIMA模型就比較復雜了，對大部分經營分析人員來講，要搞清楚原理和方程公式，太困難了！期望搞清楚的人必須學過隨機過程，什么平穩過程、白噪聲等，大部分人頭都大了，現在有了軟件就不問為什么了，只要知道什么數據In，什么結果Out，就可以了。

我們采用專家建模器，但指定僅限ARIMA模型，并考慮季節性因素。

此時，我們看到模型擬合并相比較簡單季節性和Winters模型沒有太大的優勢，結果可接受，但是大家注意到沒有，實際上我們一直沒有考慮自變量的進入問題，假如我們有其它變量可能會影響到男裝銷售收入，情況又會發生什么變化呢？