SPSS的专家建模器可以自动识别数据，给出最适合的模型，本章通过三个例题介绍如何使用SPSS实现时间序列分析。由于本人对时间序列分析的理解尚浅，做出模型后在论文上的呈现形式需要取查阅资料，以便更好地在论文上呈现
在此之前，我们还需要了解时间序列分析的一些基础的名词
一、名词解释
1.时间序列的平稳性
简单来说，就是均值固定，相邻项方差相同，相邻项协方差为0
2.ACF自相关系数
3.PACF偏自相关函数
PACF使用的前提是数据为平稳序列。
二、实例分析————销量数据预测
1.准备工作
在进行时间序列分析之前，我们需要先对数据进行一个可视化观察，并思考以下问题
（1）画出时序图
在定义好时间变量后，创造时序图。如图所示，这里的数据已经是一个趋于平稳的值，不需要在设置差分，即不需要调整差异的参数
（2）不设置参数地建立模型————查看模型结果
此处，我们先用默认的参数进行建模，观察SPSS使用的哪种模型，心里有一个底，然后进行分析
点击创造传统模型，进入下图的界面后，直接把因变量放进去，点击确定即可
可见SPSS选用的模型是温特加法模型，之后我们需要根据这个模型取进行分析
2.参数设置
（1）条件
条件设置可以指定模型的寻找，是只在指数平滑模型找还是在ARIMA模型找。其中，是否考虑季节性的参数可以不用修改，因为SPSS会自动识别此项，但是需要我们定义新的时间变量，因此在进行建模前，定义时间变量是必须的
（2）离群值
离群值也就是异常值，勾选了这个选项后，SPSS会自动识别异常值，应用时我们可以先不排除异常值，如果模型拟合度不好再设置排除，要排除可以全选。
各个异常值的种类如图所示
（3）统计与图
在“统计”里面，我们需要勾选参数估算值；在“图”里面，我们需要勾选拟合值，这样会在画出来的图中，把我们建模的拟合曲线与实际曲线画在同一张图内，便于观察模型拟合效果。而ACF和PACF则是为了检查残差是否平稳
（4）保存与选项
保存我们已经非常熟悉，就是在数据集中添加一个新的变量，这里我们只需要勾选预测值即可。选项处则是可以设置预测的时期
3.结果分析
（1）模型拟合度
此处R方0.992，为拟合优度，越接近1越好。正态化的BIC没有一个相对的量，越接近0越准确。要用这个值比较的话，需要对比不同模型的BIC，但是SPSS已经找到了最优的模型，所以看此处意义并不大，但还是可以汇报到论文中的
（2）模型统计
此处我们进行的Q检验的p值为0.7>0.05，接受“残差为0”的原假设，所以可以认为残差是白噪声
（3）指数平滑法模型参数
下图是指数平滑法模型的参数，在我们的论文会介绍这个模型的公式。现在有了结果，就可以在论文中体现出来了
（4）残差的ACF与PACF图
此处的ACF与PACF图都在两条线内，因此可以认为残差为0
（5）拟合图与真实图的对比
在模型可视化后，我们可以看到模型的拟合值与真实值相差不大，因此我们的拟合效果还是很不错的
（6）模型预测
在前面的选项中，我们可以设置预测的时期。如果想预测的话，设置好需要预测的时期即可。此外，我们还可以在保存的选项中，勾选预测的置信上限与预测下限。效果如图所示
三、实例分析————人口数据预测
因为建模的过程在前面的例题已经讲的非常详细了，此处我们只讨论一些比较细节的图形优化
1.添加标记
在此图中，因为数据点比较少，我们可以对每个数据点添加标记，更好地观察图形的变化形式
2.添加数据标签
在我们预测值比较少的时候，为了更清楚地看到预测值，我们可以对作出的图添加数据标签
预测小结
