spss建立arima模型建模最后一步预测怎么出来的?怎么设预测日期？还有这个结果图怎么看的？

1. spss建立arima模型建模最后一步预测怎么出来的?怎么设预测日期？还有这个结果图怎么看的？

比如你想预测未来五年的，你就把自变量的数据多填5年，其他的什么都不用填，然后依次点击分析，预测，创建模型，保存，选择预测值，下限和上限，你的原数据集里面就会有预测值了

2. 用spss怎么进行arima模型建模

Arima模型在SPSS中的操作
      ARIMA，就是autoregressive integrated moving-average model，中文应该叫做自动回归积分滑动平均模型，它主要使用与有长期趋势与季节性波动的时间序列的分析预测中。
 
      ARIMA有6个参数，ARIMA (p,d,q)(sp,sd,sq)，后三个是主要用来描述季节性的变化，前三个针对去除了季节性变化后序列。为了避免过度训练拟合，这些参数的取值都很小。p与sp的含义是一个数与前面几个数线性相关，这两参数大多数情况下都取0, 取1的情况很少，大于1的就几乎绝种了。d与sd是差分，difference，d是描述长期趋势，sd是季节性变化，这两个参数的取值几乎也都是0，1，2，要做几次差分就取几作值。q与sq是平滑计算次数，如果序列变化特别剧烈，就要进行平滑计算，计算几次就取几做值，这两个值大多数情况下总有一个为0，也很少超过2的。
 
      ARIMA的思路很简单，首先用差分去掉季节性波动，然后去掉长期趋势，然后平滑序列，然后用一个线性函数+白噪声的形式来拟合序列，就是不断的用前p个值来计算下一个值。
 
用SPSS来做ARIMA大概有这些步骤：
1定义日期，确定季节性的周期，菜单为Data-Define dates
2画序列图来观察数值变化，菜单为Graph-sequence / Time Series - autoregressive
3若存在季节性波动，则做季节性差分，Graph- Time Series - autoregressive，先做一次，返回2观察，如果数列还存在季节性波动，就再做一次，需要做几次，sd就取几
4若观察到差分后的数列中有某些值远远大于平均值，则需要做平滑，做几次sq就取几
5然后看是否需要做去除长期趋势的差分，确定p与sp
6然后在ARIMA模型中测试是否存在其他属性影响预测属性，如果Approx sig接近0，则说明该属性可以加入模型，作为独立变量，值得注意的是，如果存在突变，可以根据情况自定义变量，这个在判断突变的原因比重时特别有用。
7然后用以确定的参数与独立变量进行拟合预测。
8最后，用Graph- Time Series - autoregressive来判断一下拟合产生的误差ERR，如果不存在明显特征，可以看作是无规律的随机白噪声，就可以认为建模成功。
9最后使用ARIMA模型进行预测即可
感觉在电信行业的KPI预测中，最有应用前景的是第六步，除了可以找到那些变量对目标值有影响外，还能确定在目标属性的变化中，不同原因的影响比例，如多少程度是由于竞争对手的失误，多少程度是因为自己表现好，多少程度是因为市场大环境变化了。此外，通过预测值，可以指导计划的编制和指标的制定，还能起到一点业务预警的作用。意义并不是很大，不过总比没有好~~

3. 用SPSS软件做ARIMA模型，最后预测出来的数据哪里得到

在模型选择设置的时候，可以选择将预测数据保存在当前数据集里面，也可以将新预测的数据作为结果一项输出到结果界面里面

4. 请问会用SPSS建立ARIMA模型吗，具体的数列平稳化处理及参数确定步骤？

可以专家建模的
统计专业研究生工作室为您服务

5. 用SPSS软件做ARIMA模型，最后预测出来的数据哪里得到？SPSS输出的表格可以直接读出嘛？

预测结果可以自动出来的，你在设定需要预测范围后，其中一项表格就会自动显示预测结果。

6. SPSS时间序列模型ARIMA,专家建模为什么输出的预测结果全部一样

一般只预测一个值，后面的模型就是一条直线，时间序列只适合短期预测

7. 在SPSS中如何确定ARIMA模型的p和q？

SPSSAU「在线SPSS」的ARIMA模型可自动提供最佳的P值和Q值，当然也可以结合偏自相关图进行综合判断。计量经济研究里面的ARIMA模型和偏自相关图，建议直接查看ARIMA模型智能生成的P值和Q值一般更加准确。

8. 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。