ARIMA模型是自回归AR和移动平均MA加上差分考虑，但ARIMA模型就比较复杂了，对大部分经营分析人员来讲，要搞清楚原理和方程公式，太困难了！期望搞清楚的人必须学过随机过程，什么平稳过程、白噪声等，大部分人头都大了，现在有了软件就不问为什么了，只要知道什么数据In，什么结果Out，就可以了。
我们采用专家建模器，但指定仅限ARIMA模型，并考虑季节性因素。
此时，我们看到模型拟合并相比较简单季节性和Winters模型没有太大的优势，结果可接受，但是大家注意到没有，实际上我们一直没有考虑自变量的进入问题，假如我们有其它变量可能会影响到男装销售收入，情况又会发生什么变化呢？
时间序列预测技术之三——含自变量的ARIMA模型预测
分享：
分享到新浪Qing
本想早点完成这个时间序列的主题，但最近一直非常多的事情，又耽搁了这么长时间。朋友们问的问题没有收尾总是不好，抓紧时间完成吧。
因为，后天要参加中国电信集团的一个EDA论坛，要仔细准备发言稿！在交流的过程中，发现大家都对预测问题非常关注，尤其是数据挖掘领域，有时候分类问题与预测问题在表达上区分不开，有时候分类就是预测，比如通过判别分析、C5.0规则或Logistics回归进行监督类建模，得到的结论说该客户是什么类别等级，似乎也可以说是预测；当然，如果能够预测该消费者什么时候流失，也就是进行了分类；这样说吧，其实有时候并不需要严格
区分分类和预测，关键是时间点。从这也可以看出，预测问题内涵和外延是非常宽泛的，但研究者心中要有数，这决定了你得到的结果该如何应用。
前面的博文提到，如果我们考虑时间序列预测包含有预测和干扰变量如何解决的问题。 从方法角度讲，过去没有统计分析软件要完成预测可以说是困难的，现在有了软件工具就方便多了。 从技术角度讲：
? 预测模型如果能够排除因为异常原因造成的时间点事件和时间段时间，就好了。例
如某天停电没有开业，或者某一段时间比如发生甲型H1NI一周没有营业收入，这些事件必须能够告诉模型未来不会再发生了；
? 当然，我们也要把未来会重复发生的干扰因素纳入模型，例如：我们学校某天要开
运动会，小卖部的可乐销量一定提高，或者我们学校7-8月份放暑假，销量一定减少，像这样的时间点和时间段事件未来会重复出现，我们如果能够告诉模型，那么预测会更准确。
? 当然如果我们建立的模型能够预测未来，并能够将未来可预见的事件，包括时间点
和时间段干扰纳入预测是非常好的事情啦！
? 甚至，我们应该能够把预测模型中的，预测未来周期内的不可预见的时间点和时间
段随时干预预测结果，这就需要考虑如何将预测模型导入生产经营分析系统了。
下面的数据延续前两篇的案例，只是增加了自变量，（因为手头这个案例没有干预因素变量）
在我们增加了5个自变量后，采用预测建模方法，选择专家建模器，但限制只在ARIMA模型中选择。
确定后，得到分析结果，我们现在来看一下与原来的模型有什么不同。