前言
在本专栏的第二十一、二十二、二十三三篇曾记录过matlab实现时间序列的方式。时间序列这块内容理论性强，且有一定的编程难度。本文将结合清风老师的视频清风：数学建模算法、编程和写作培训的视频课程以及Matlab等软件教学重新回顾一下时间序列，并使用Spss进行一键式操作。
时间序列分解
时间序列是某个指标数值长期变化的数值表现。为了研究时间序列的规律性，可以将时间序列分解为四种形式。
长期趋势：T
季节趋势：S
循环变动：C
不规则变动：I
叠加模型和乘积模型
下面放一些具体的模型，从应用角度来说，不用深入理解。
指数平滑模型
Simple模型
这个模型只能预测下一期的数据。
线性趋势模型(linear trend)
阻尼趋势模型(Damped trend)
简单季节性(Simple seasonal)
温特加法模型(Winters’ additive)
温特乘法模型(Winters’ multiplicative)
相关知识扩充
时间序列的平稳性(stationary series)
差分方程
AR§-p阶自回归模型(auto regressive)
MA(q)-q阶移动平均模型(moving average)
ARMA(p,q)自回归移动平均模型
ACF自相关系数
PACF偏自相关函数
偏自相关函数PACF描述的是在给定中间观测值的条件下，时间序列观测值预期过去的观测值之间的线性相关性。
模型的识别
ARIMA(p,d,q)差分自回归移动平均模型模型
SARIMA(Seasonal ARIMA)季节性差分自回归移动平均模型模型
SPSS实操：例题、产品销售数据预测
数据展示
目的：根据上面的数据预测未来时间的销量。
数据处理
首先需要将数据的时间转换成“时间格式”
转换完之后，生成的DATE就是时间数据。
绘制时间序列图
分析->时间序列预测->序列图
注：这里的差异就是差分确定之后，画出时间序列图
建立传统模型
方法选择 专家建模器，之后，SPSS会自动计算各个模型，从中返回出效果最好的模型。此题最好模型为
离群值以及其它参数设定
再次进入上一步的面板，这次勾选下图里面的选项。
这里说明预测到2020年第四季度为止。
数据分析
设置好参数后，点击“确定”，就会出现结果。
模型拟合度主要看R方和正态化BIC。
R方越接近1说明拟合程度越好。
BIC用于评价模型的复杂程度，具体数值有待查验。预测效果图：