最后我們看一眼統計檢驗指標結果：

大家可以把我們前面做的結果進行相互比較，或許你能夠看出哪些指標更好，哪些指標 該如何評測了！

我看出來了，比如：Sig 值越大越好，平穩得 R 方也是越大越好吧！

Sig.列給出了 Ljung-Box 統計量的顯著性值，該檢驗是對模型中殘差錯誤的隨機 檢驗；表示指定的模型是否正確。顯著性值小于 0.05 表示殘差誤差不是隨機的， 則意味著所觀測的序列中存在模型無法解釋的結構。

平穩的 R 方：顯示固定的 R 平方值。此統計量是序列中由模型解釋的總變異所占比 例的估計值。該值越高（最大值為 1.0），則模型擬合會越好。

檢查模型殘差的自相關函數 (ACF) 和偏自相關函數 (PACF) 的值比只查看擬合 優度統計量能更多地從量化角度來了解模型。合理指定的時間模型將捕獲所有非隨 機的變異，其中包括季節性、趨勢、循環周期以及其他重要的因素。如果是這種情 況，則任何誤差都不會隨著時間的推移與其自身相關聯（自關聯）。這兩個自相關 函數中的顯著結構都可以表明基礎模型不完整。

如果你一定要理解 RMSE 或者 MAE 等統計檢驗量， 只好找來教科書好好學習了！ 我想， 等我要寫教科書的時候，一定會告訴大家如何檢驗這些統計量，并給出各種計算公式！但我 的學生或讀者大部分是文科或企業經營分析人員，講這些東西他們都會跑了！

大家不要忘了，SPSS 時間序列預測模塊還包含模型應用，也就是可以把預測模型轉存 為 XML 模型文件，以后預測的時候就可以不用原始數據了！

我記得早期 SPSS 公司推出時間序列預測模型軟件 DecisionTime & What-if，非常好 用，而且還可以進行更為細致的分析，甚至結果輸出都是自動報告！

當然，我找機會用 PASW Modeler 13 操作一次上述時間序列預測建模過程，也就是數 據挖掘工具中的時間序列預測方法，會更方便、更簡單、更好部署！

備注：PASW Modeler 13 就是 SPSS 公司的 Clementine 13.0 版本！ 博易智訊的馬博士說： SPSS 公司已經把 SPSS 軟件改名叫 PASW Statistics， Clementine 叫 PASW Modeler。

自變量的選擇問題，在預測未來半年的銷售收入中，ARIMA 模型可以把其它預測變量納入考慮，但如何確 定未來這些預測變量的值呢？

主要方法可以考慮：1）選擇最末期數據；2）選擇近三期數據的平均；3）選擇近三期的移動平均 這里我們選近三期移動平均作為預測自變量數值。 請問沈浩老師，以上這一段話怎么操作??？在哪里選擇這 3 種方法來確定未來的自變量的值??？我試過手 工輸入未來的自變量值，可以做出預測，但是我想模型應該可以自動生成這些未來自變量的值，我找了很 久都沒有找著，請賜教！非常感謝！ 另外， 有一個問題我一直沒有想得很明白， 想請教一下。 多元回歸分析做的預測和時間序列分析做的預測， 使用條件和最大的區別是什么??？如果數據是按時間走的，是不是就不適合用多元回歸分析做預測呢？ 如果您能回復，我將感到萬分榮幸。 SPSS 軟件里面自變量取值一般是 0-1； 真實的干擾需要采用 Clementine 軟件就有這個自動添加方式了， 抱歉我沒有說清楚！ 2）時間序列數據，自變量是相關的，當然不適合簡單的線性回歸分析！