目录
思考建模思路
例1
定义date
创建时间序列模拟器
结果分析
例2
序列图
创建时间序列模型
未除去异常值
剔除有异常值
勾选
结果
注
思考建模思路
（ 1 ）处理数据的缺失值问题、生成时间变量并画出时间序列图；（ 2 ）数据是否为季度数据或者月份数据（至少有两个完整的周期，即两年），如果是的话则要观察图形中是否存在季节性波动（加法和乘法）（ 3 ）根据时间序列图大致判断数据是否为平稳序列（数据围绕着均值上下波动，无趋势和季节性）（ 4 ） Spss创建传统模型，看看 Spss专家建模器得出的最优的模型类型。（ 5 ）如果最后的结果是 ARIMA(p,0,q) 模型（也就是ARMA），那么我们就可以画出时间序列的样本 ACF和 PACF 图形进行分析；如果得到的是 ARIMA(p,1,q) 模型，我们可以先对数据进行 1阶差分后再用 ACF 和PACF 图形分析；如果得到的结果与季节性相关，那么我们可以考虑使用时间序列分解。
(1) 一般比较两个模型的好坏，我们可以使用平稳的 R 方（文档上翻译成了固定的 R 方）或者标准化BIC （ BIC 准则），这两个指标既考虑了拟合的好坏，又考虑了模型的复杂度；(2)R 方可用来反映线性模型拟合的好坏，越接近于 1 拟合的越准确。
例1
根据某产品2014-2018年季度销售数据，预测未来两年的销售数据。
定义date
创建时间序列模拟器
按照下面示例图进行勾选就行
勾选ACF和PACF图，我们需要观察他们是否拖尾或截尾
结果分析
spss专家建模为我们选择了温特斯加性模型
R2越接近1拟合效果越好
spss中直接帮你选择BIC最小
p值大于0.05， 没有白噪声
结论：从残差的 ACF 和 PACF 图形中可以看出，所有滞后阶数的自相关系数和偏自相关系数均和0 没有显著的差异；另外从表可以看出，对残差进行Q 检验得到的 p 值为0.741 ，即我们无法拒绝原假设，认为残差就是白噪声序列，因此温特加法模型能够很好的识别本例中的销量数据。
写论文时需要写进去
例2
给定 2016/01/04 至 2019/08/07 的上证指数，请对其进行建模，并预测接下来一段时间的指数走势。
定义date
本题定义date与上一题有所不同，本题的时间不是连续的，股票会有收市的时间，所以定义时直接使用“天”
序列图
创建时间序列模型
未除去异常值
spss为我们选择了simple模型
p值为0 ，残差不是白噪声，模型效果并不好，从下面的图也可以看出来，ACF与PACF都出现了拖尾，并不满足此模型的特点。
从预测值也可以看出不对劲，预测出来的数据都一样 ，这个我们之前也讲过，simple模型只能预测下一个数值。
因为这个是股票数据，使用我们考虑是未除去异常值，下面展示除去异常值做法
剔除有异常值
勾选
条件-离群值
结果
从上面这些评估指标来看模型的效果好像还不错，但是实际中预测并没有这么简单
然后我们还发现，在第14个预测值后，后面的值都是一样的，这也是模型的弊端
注意：我们将波动较大的数据看成了异常值，事实上有更加复杂的模型可以捕捉到这些异常值，例如GARCH模型（广义的自回归条件异方差模型）
时间序列分析之GARCH模型介绍与应用-CSDN博客（这篇文章可以，里面有py代码）
注
预测两要：一要结合背景；（例如某些政策的影响，例如GDP增速）二要合理假设。预测两不要 ：不要硬套模型；不要不做解释
