从预测值看，比前一模型有了改进，至少这时候的模型捕捉了历史数据中的下降峰值，这可以认为是当前比较适合的拟合值了。
如果我们观察预测结果，可以发现模型选择了两个预测变量。注意：使用专家建模器时，只有在自变量与因变量之间具有统计显著性关系时才会包括自变量。如果选择ARIMA模型，“变量”选项卡上指定的所有自变量（预测变量）都包括在该模型中，这点与使用专家建模器相反；
当确定了最终选择的预测模型和方法后，我们就可以预测未来了，当然你要指定预测未来的时间点，这里我们时间包括年、季度和月份；假定我们预测未来半年的销售收入。 我们分别设定：预测值输出，95%置信度的上下限。注意：SPSS中文环境有个小Bug，
必须改一下名字！
在选项中，选择你的预测时间，预测期将根据你事先定义的数据时间格式填写。（后面的模型为了让大家看清楚，实际上我预测了一年的数据，也就是2010年的4个季度的12个月）。
自变量的选择问题，在预测未来半年的销售收入中，ARIMA模型可以把其它预测变量纳入考虑，但如何确定未来这些预测变量的值呢？
主要方法可以考虑：1）选择最末期数据；2）选择近三期数据的平均；3）选择近三期的移动平均
这里我们选近三期移动平均作为预测自变量数值。
上面就是预测结果！于此同时，SPSS活动数据集中也存储了预测值！
最后，我们要解决时间序列预测的检验和统计问题！说实在话，我比较关注偏好商业应
用，就是看得见就做得到！从上面的分析，我们基本上就知道了哪种预测模型更好，也就不去较真只有专业统计学者才关心的统计和检验问题，把这些交给统计专家或学术研究吧！（如果你是写学术论文，就必须强调这一点了！）
实际上我们可以通过软件得到各种统计检验指标和统计检验图表！
最后我们看一眼统计检验指标结果：
大家可以把我们前面做的结果进行相互比较，或许你能够看出哪些指标更好，哪些指标该如何评测了！
我看出来了，比如：Sig值越大越好，平稳得R方也是越大越好吧！
? Sig.列给出了Ljung-Box 统计量的显著性值，该检验是对模型中残差错误的随机
检验；表示指定的模型是否正确。显著性值小于0.05 表示残差误差不是随机的，则意味着所观测的序列中存在模型无法解释的结构。
? 平稳的R方：显示固定的R平方值。此统计量是序列中由模型解释的总变异所占比
例的估计值。该值越高（最大值为 1.0），则模型拟合会越好。
? 检查模型残差的自相关函数 (ACF) 和偏自相关函数 (PACF) 的值比只查看拟合
优度统计量能更多地从量化角度来了解模型。合理指定的时间模型将捕获所有非随机的变异，其中包括季节性、趋势、循环周期以及其他重要的因素。如果是这种情况，则任何误差都不会随着时间的推移与其自身相关联（自关联）。这两个自相关函数中的显著结构都可以表明基础模型不完整。
如果你一定要理解RMSE或者MAE等统计检验量，只好找来教科书好好学习了！我想，
等我要写教科书的时候，一定会告诉大家如何检验这些统计量，并给出各种计算公式！但我的学生或读者大部分是文科或企业经营分析人员，讲这些东西他们都会跑了！
大家不要忘了，SPSS时间序列预测模块还包含模型应用，也就是可以把预测模型转存为XML模型文件，以后预测的时候就可以不用原始数据了！
我记得早期SPSS公司推出时间序列预测模型软件DecisionTime& What-if，非常好用，而且还可以进行更为细致的分析，甚至结果输出都是自动报告！
当然，我找机会用PASW Modeler 13操作一次上述时间序列预测建模过程，也就是数据挖掘工具中的时间序列预测方法，会更方便、更简单、更好部署！
备注：PASW Modeler 13就是SPSS公司的Clementine 13.0版本！ 博易智讯的马博士说：SPSS公司已经把SPSS软件改名叫PASW Statistics，Clementine叫PASW Modeler
7
喜欢