spss教程：时间序列分析：[1]基本介绍

1、通过收集分析时间序列数据，可以找到隐藏在其中的基本变化规律，建立数学模型定量描述序列特征、预测序列未来值。序列分析的三个阶段，识别、估计、诊断。

2、模式识别：依据特点，选择已有的模型来描述，确定模型的参数数量与种类。方法有：“对其序列及其相关函数作图、序列上升和下降趋势、简化分析的数据转换方法、序列周期性规律”。

3、参数估计：估计模型中参数，同时要检验参数的显著性。其中的模块有指数平滑、自回归、ARIMA模型、季节性分解。具体的操作方法可见此系列下的文章。

4、模型诊断：检验模型与实际数据的吻合程度，相关方法有计算残差、序列值或者作图，观察图形是最直观简便的。通过残差和可信区间序列来估计模型的准确性；用“标准误”判断模型中参数的显著性；标准化P-P、标准化Q-Q判断残差分布是否为正态分布。

5、定义时间序列数据：一个时间序列对应一个变量，一个个案对应序列中的一个元素。时间序列的观察值是以等时间间隔点按时间顺序采集的。

6、定义日期变量：数据的具体观察日期在时间序列分析中并不重要，但可做序列值的标签。操作见图片。调出相关操作窗口后，类型很多哟！选择自己需要的变量日期类型，周期会直接显示的，再标注第一个数据的具体日期，这里标注的是1989年1月。操作完成后，在原始的数据编辑窗口中会产生相关定义的变量，见图片。