紧急求助！！！在用spss软件进行时间序列预测时,模型总说时间序列中存在缺失值

1. 紧急求助！！！在用spss软件进行时间序列预测时,模型总说时间序列中存在缺失值

打个比方，你的数据是2015.01到2017.11的数据，你要预测2017.12的数据。那么你就得在spss中的“数据变量”中，时间变量那列2017.11后加上2017.12。相应的，你要预测到哪一年哪一月，你就得加上每个月到时间变量上去

2. SPSS关于时间序列上变化趋势分析的问题

第十一章 SPSS的时间序列分析http://wenku.baidu.com/link?url=JPGIJSM_Fb4rl-xjGjn06zqJ5E7bwO0ydu7ytZgBO9-QTAaL-03M6j2WcZRsyna2Vt_5H3CYiz6xLwsg2vIOb2sgZAt5nzESzzRjHZL2VR_

3. 为什么spss不能选择指数平滑法？

我们在使用SPSS做数据分析的时候，有时需要利用SPSS做时间序列分析，那么时间序列分析应该注意什么和具体该如何去操作呢？
开启分步阅读模式
工具材料：
SPSS
ARIMA模型
指数平滑法
操作方法
01
首先，我们在SPSS里面导入Excel里面的一组测试数据用来做时间序列分析。在如图所示的对话框中“打开现有数据源”下面选择图示的excel文件。

02
然后在弹出的“打开Excel数据源”框内，“工作表”下面选择你输入数据的Excel sheet表格，单击“确定”。

03
接着，我们需要查看我们导入的数据，比如是否有缺失数据，数据的分布是怎么样的。方法一：点击左下角“数据视图”，查看原数据（使用数据不多的情况）；方法二：依次点击“分析-描述统计-描述“查看数据情况（数据多的情况下推荐）。

数据预处理
01
在完成上面的步骤后，做时间序列分析前需要对数据进行一个预处理，即为数据定义日期。

02
首先，我们在如图所示的菜单上依次点击“数据--定义日期”。

03
接着，我们在弹出的“定义日期”对话框内，设置日期的格式。在图示的案例中，我们现在“年份，月”作为日期格式。

04
确定日期格式后，我们在SPSS数据表格里面的“数据视图”可以看到新插入的日期“Year”“Month”“Date”（新变量默认名称）。

时间序列分析-指数平滑法
01
首先，我们利用指数平滑法时间序列分析。指数平滑法的使用特点是将较大的权数放在最近的资料。

02
我们依次点击第一排菜单栏里面的“分析-预测-创建模型”，弹出“时间序列建模器”。

03
现在进行一些设置：在“变量”选项下，将需要进行时间序列预测的变量拖入图示的“因变量”框内；在方法中，选择“指数平滑法”。

04
其他的一些设置包括【统计量】，我们勾选“平稳的R方”“拟合优度”“显示预测值”；在【图表】中选“观察值”“预测值”“拟合值”；在【保存】中勾选“预测值”；在【选项】下填写我们需要预测到的指定日期。

05
全部设置完成后，点击【确定】，即可在输出文档里面看到时间序列建模程序显示的结果（右击结果图表可以复制，导出到Excel等操作）。

时间序列分析-ARIMA模型
01
我们还可以使用ARIMA模型来进行时间序列的预测，使用的特点是将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归, p为自回归项; MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。

02
使用的方法和上面的类似，依次点击第一排菜单栏里面的“分析-预测-创建模型”，弹出“时间序列建模器”。

03
由于在指数平滑法中我们做了设置，这里就不需要再次设置。这里需要的设置是把【变量】下面的自变量拖入【因变量】框内和【自变量】框内，然后在方法中选择“ARIMA”即可。

04
全部设置完成后，单击确定，即可在刚才的输出文档里面看到使用ARIMA模型的预测结果（同样，这些结果右击可以进行复制导出等操作）。

特别提示
注意指数平滑法中不能包含自变量。
保存下的变量名前缀由于SPSS的BUG需要做更改。
数据量非常大的话可以使用SPSS工具不适合。

4. 求问怎么用spss软件对时间序列用arima模型进行预测

时间序列模型
　　间序列分析
　　在生产和科学研究中，对某一个或一组变量x(t)进行观察测量，将在一系列时刻t1, t2, …, tn (t为自变量且t1<t2<…< tn ) 所得到的离散数字组成序列集合x(t1), x(t2), …, x(tn)，我们称之为时间序列，这种有时间意义的序列也称为动态数据。这样的动态数据在自然、经济及社会等领域都是很常见的。如在一定生态条件下，动植物种群数量逐月或逐年的消长过程、某证券交易所每天的收盘指数、每个月的GNP、失业人数或物价指数等等。
　　时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法（如非线性最小二乘法）进行。时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。
　　时间序列建模基本步骤是：①用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。 ②根据动态数据作相关图，进行相关分析，求自相关函数。相关图能显示出变化的趋势和周期，并能发现跳点和拐点。跳点是指与其他数据不一致的观测值。如果跳点是正确的观测值,在建模时应考虑进去,如果是反常现象，则应把跳点调整到期望值。拐点则是指时间序列从上升趋势突然变为下降趋势的点。如果存在拐点，则在建模时必须用不同的模型去分段拟合该时间序列，例如采用门限回归模型。③辨识合适的随机模型,进行曲线拟合,即用通用随机模型去拟合时间序列的观测数据。对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列，可用通用ARMA模型（自回归滑动平均模型）及其特殊情况的自回归模型、滑动平均模型或组合-ARMA模型等来进行拟合。当观测值多于50个时一般都采用ARMA模型。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运算，化为平稳时间序列，再用适当模型去拟合这个差分序列。
　　时间序列分析主要用于：①系统描述。根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述。②系统分析。当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理。③预测未来。一般用ARMA模型拟合时间序列，预测该时间序列未来值。④决策和控制。根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。
　　DPS数据处理系统提供给用户一套较完整的时间序列建模分析、进行预测预报的工具，包括平稳无趋势时间序列分析预测、有趋势的时间序列预测、具季节性周期的时间序列预测以及差分自回归滑动平均(ARIMA)建模分析、预测等时间序列分析和建模技术。

5. 用spss17做时间序列预测，点创建模型指数平滑后没有出现拟合值只有观测值是什么原因

时间序列建模器  图表那个选项卡    左下勾选  拟合值    就可以了。
我的为什么不出现预测值啊啊啊啊~~

6. 我用spss时间序列分析预测值，结果是一条直线，我想知道我错哪了，求大神帮我解决一下

可能是丢失了漂移项（drift），因为原本的序列的非平稳的，需要经过差分变成平稳时间序列然后再进行参数估计，那么很有可能漂移项在预测的时候没有加上去。

7. spss怎么检测时间序列的平稳性

第一张图非平稳因为他有趋势你能看到。
ACF是拖尾，PACF是截尾，因此属于AR模型。为AR（1）。
至于差分几次我也不是特别清楚你可以差分一次两次试试看看他的序列图哪个比较平稳或者如果判断不出来的话matlab有p-value可以检验spss没有。
spss操作你可以随便翻教程上面都有。

8. SPSS时间序列预测，如何按星期进行预测

时间原本就是按星期的