建模注意：
创建时序新变量时，应首先在Function框中 选择需要转换最初变量生成新变量的函数 Lag,然后将最初变量（income）移至New Variables(s)框中。该操作顺序不能改变。
在原始数据库中生成滞后新变量，将滞后 新变量作为自变量进行自回归模型中。
在建模方法一栏中应选择最小二乘法作为 预测方法。
若时间序列{Xt }满足下列模型，则称其为一个p阶自回归 序列，简记为{Xt }～AR(p)：
Xt =j 0+ j1Xt-1 + j 2Xt-2 + … + j pXt-p + at
在本模型中，时间序列的当前值等于时间序列前一个值同 一个随机误差的线性组合。 计算自回归的三种方法： 精确极大似然法（能处理缺失值数据）; 克科伦.奥克特法（当时序中包含有嵌入式缺失值时不可 使用）; ★ 最小二乘法（最常用的方法）
Y t T t S t C t It Y t T t S t C t It
案例——带有季节因素的销售量统计分析
在原始数据库中生成的四列新数据分别为： 误差项、长期趋势、季节变动指数、周期
变动指数 关键选项注意： 在移动平均权重（Moving Average Weight）
选项栏中，应该选择All point equal选项。 （计算周期跨度相等和所有点权重相等时 的移动平均）
t = 2, 3, …
a值越接近于1，说明新的预测值包括对前
一期的预测误差的全部修正值，反之，则 相反。
注意：定义时序变量
Date-Define Dates 可用来建立时间序列的 周期性，共有20种可用来定义日期的变量， 应根据数据变量的周期属性选择合适的类 型。
选择完毕后在原始数据库中将自动生成新 的变量，不可删除；还需定义预测结果终 止的时限（Predict through).
而“指数”意味着：按历史观测值记录时间隔位置差，也称步数(lag)来表示。
若记时刻 t 的观测值为 Xt 时刻 t 的指数平滑记为 Yt 。 指数平滑的数学模型为
Yt = aXt+a(1-a)Xt -1+a(1-a)2Xt -2+ … +a(1-a)t-1X1,
其中0<a<1为权重指数。a 越大，表示在
加权时给予当前观测值的权重越大，相应 地，给予过去观测值的权重就越小。
1、Simple模型
Simple法是在移动平均法基础上发展而来 的一次指数平滑法，其假定所研究的时间 序列数据集无趋势和季节变化。
计算公式为： Yt = a Xt + (1-a)Yt -1 ,
顾客满意度测评实例演示
2、Custom模型
Custom模型是一种自定义模型，用来选择 趋势和季节构成（时间序列的变动类型）
模型应用建议：Grid Search自定义a和γ 的起始值为0.1，终止值为1，每次增加的 计算步长为0.1。
销售量预测实例演示
二、自回归模型（Autoregressive）
确定性时间序列分析方法介绍
路漫漫其悠远
少壮不努力，老大徒悲伤
一、指数平滑法
时间序列分析的一个简单和常用的预测模型为指数平滑模型 (exponential smoothing)
指数平滑只能用于纯粹时间序列的情况，而不能用于含有独立变量时 间序列的因果关系的研究。
指数平滑的原理为：利用过去观测值的加权平均来预测未来的观测值 (这个过程称为平滑)，且离现在越近的观测值要给以越重的权。
销售收入预测案例分析结果
三、季节分解模型（Seasonal Decomposition)
当将时间序列分解成长期趋势、季节变动、 周期变动与不规则变动四个因素后，可将 时间序列Y看成四个因素的函数，即：
Y t f(T t,S t,C t,It)
常用的时间序列分解模型有：
加法模型： 乘法模型：