SPSS ARIMA模型(手把手教)

时间序列是对某个时间段某个变量进行观察获得的一组观察值，是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列的预测就是通过分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，预测下一段时间或以后若干年内可能达到的水平。时间序列的异常检测就是通过历史的数据分析，查看当前的数据是否发生了明显偏离了正常的情况。时间序列具有趋势性、季节性、周期性的特点。

在时间序列分析之前，首先要对数据进行预处理：

1、检查时间序列是否存在缺失值，如存在缺失值需对缺失值进行替换；

2、创建时间序列，对时间序列进行标识及定义；

3、时间序列分析是建立在数据满足平稳性条件，对于非平稳时间序列则要先将观测到的时间序列进行差分（长期趋势）/季节差分（季节性）运算，化为平稳时间序列，使其满足平稳性的要求，再用适当模型去拟合这个差分序列。

时间序列模型的三大类预测方法：

（1）专家建模器：专家建模器可以帮助我们自动计算最佳的值。

（2）指数平滑法：指数平滑法是在移动平均模型基础上发展起来的时间序列分析预测法，有助于预测存在趋势和/或季节的序列，此处数据同时体现上述两种特征。

（3）ARIMA：ARIMA 模型是自回归AR和移动平均MA加上差分考虑，它从时间序列数值本身的相关性出发，力求建立回归模型，不仅能够充分利用时间序列数值变化信息，而且能够便捷的将其它影响因素纳入模型进行考虑，这是更为精细的时间序列分析方法。

原始数据

SPSS分析过程

分析结果描述