这里我用PASW Statistics 18 软件，大家可能觉得没见过这个软件，其实就是SPSS18.0，不过现在SPSS 已经把产品名称改称为PASW 了！ 我们通过案例来说明：（本案例并不想细致解释预测模型的预测的假设检验问题，1-太复杂、2-相信软件） 假设我们拿到一个时间序列数据集：某男装生产线销售额。一个产品分类销售公司会根据过去 10 年的销售数据来预测其男装生产线的月销售情况。 现在我们得到了10 年 120 个历史销售数据，理论上讲，历史数据越多预测越稳定，一般也要 24 个历史数据才行！ 大家看到，原则上讲数据中没有时间变量，实际上也不需要时间变量，但你必须知道时间的起点和时间间隔。 当我们现在预测方法创建模型时，记住：一定要先定义数据的时间序列和标记！ 这时候你要决定你的时间序列数据的开始时间，时间间隔，周期！在我们这个案例中，你要决定季度是否是你考虑周期性或季节性的影响因素，软件能够侦测到你的数据的季节性变化因子。 定义了时间序列的时间标记后，数据集自动生成四个新的变量：YEAR、QUARTER、MONTH和 DATE（时间标签）。 接下来：为了帮我们找到适当的模型，最好先绘制时间序列。时间序列的可视化检查通常可以很好地指导并帮助我们进行选择。另外，我们需要弄清以下几点： • 此序列是否存在整体趋势？如果是，趋势是显示持续存在还是显示将随时间而消逝？ • 此序列是否显示季节变化？如果是，那么这种季节的波动是随时间而加剧还是持续稳定存在？ 这时候我们就可以看到时间序列图了！ 我们看到：此序列显示整体上升趋势，即序列值随时间而增加。上升趋势似乎将持续，即为线性趋势。此序列还有一个明显的季节特征，即年度高点在十二月。季节变化显示随上升序列而增长的趋势，表明是乘法季节模型而不是加法季节模型。 此时，我们对时间序列的特征有了大致的了解，便可以开始尝试构建预测模型。时间序列预测模型的建立是一个不断尝试和选择的过程。 PASW Statistics 提供了三大类预测方法：1-专家建模器，2-指数平滑法，3-ARIMA • 指数平滑法 指数平滑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。创建最适当的指数平滑模型包括确定模型类型（此模型是否需要包含趋势和/或季节），然后获取最适合选定模型的参数。 1 -简单模型预测（即无趋势也无季节） 首先我们采用最为简单的建模方法，就是简单模型，这里我们不断尝试的目的是让大家熟悉各种预测模型...
VIP
