1 功能描述
如果说数量关系研究的是变量之间的关系，那么时间序列研究的是变量自己和自己的关系（根据变量过去的值对未来的值进行预测）。
2 预处理
2.1 数据处理
我们这里将采用“catalog_seasfac.sav”数据文件，分析商品销售量的时间变动规律。
首先需要将数据读取到SPSS Modeler软件中。将“源”选项卡下面的Statistics节点添加到流编辑区域。
双击打开Statistics节点；选择“catalog_seasfac.sav”文件的存放路径，点击确定。
将“输出”选项卡下面的表节点添加到数据流中，点击运行，可以发现数据已经导入到SPSS Modeler软件中。其中，date变量是样本发生的月度时间，men表示男性消费，是我们时间序列分析的主要研究对象。
2.2 变量处理
将“字段选项”选项卡下面的类型节点添加到数据流中，并与Statistics节点连接。
双击打开类型节点，将变量men的角色设置为目标，其余所有变量的角色设为“无”。
2.3 生成时间项
将“字段选项”选项卡下面的“时间区间”节点添加到数据流，并与类型节点连接。
双击打开“时间区间”节点，在间隔页面中时间区间选择“月”；勾选“从数据构建”；字段选择“date”；其他保持默认，点击确定。
2.4 图形展示
将“图”选项卡下面的时间散点图节点添加到数据流，并与时间区间连接。
双击打开“图”节点，在图页面下，序列中输入“men”变量；去掉标准化的对号，其他保持默认，点击运行。
在出现的窗口中给出了men变量的时间散点图，可以看出销售量随着时间推移整体呈现逐渐上升的形态，且存在季节性的波动。
3 指数法预测
将“建模”选项卡下面的“时间序列”节点添加到数据流，并与时间区间节点连接。
双击打开“时间序列”节点，在模型页面下，方法选择“指数平滑”，其他保持默认，点击运行。
模型训练好后，将自动添加到数据流中。
将“图”选项卡下面的时间散点图节点添加到数据流，并与训练好的时间序列模型连接。
双击打开时间散点图节点，在图页面下，序列中输入“men和$TS-men”，其中$TS-men是时间序列预测的men变量值。去掉“在单独面板中显示序列和标准化的对号”，其他保持默认，点击运行。
在出现的窗口中给出了men变量及其预测值的时间散点图，可以看出，采用指数平滑法预测对men变量的预测值可以预测出变量的长期趋势，但是具体月份数值的精度并不高。
4 指数平滑（考虑季节性周期）
接着，我们在指数平滑法中考虑季节性周期，重新对men变量进行预测。
仍然采用前面例子的数据，前面的处理步骤相同，这里不再演示。
将“建模”选项卡下面的“时间序列”节点添加到数据流，并与时间区间节点连接。
双击打开“时间序列”节点，在模型页面下，方法选择“指数平滑”。点击标准按钮，在出现的窗口中选中“Winters乘法”，其他保持默认，点击运行。
模型训练好后，将自动添加到数据流中。
将“图”选项卡下面的时间散点图节点添加到数据流，并与训练好的时间序列模型连接。
双击打开时间散点图节点，在图页面下，序列中输入“men和$TS-men”，其中$TS-men是时间序列预测的men变量值。去掉“在单独面板中显示序列和标准化的对号”，其他保持默认，点击运行。
在出现的窗口中给出了men变量及其预测值的时间散点图，可以看出，采用指数平滑法且考虑季节性周期后，men变量预测值的精度大幅提高，但中间仍有许多波动没有预测到。
5 ARIMA模型
接着，我们在采用ARIMA模型重新对men变量进行预测。ARIMA模型属于计量模型，除了考虑men变量自身过去值对未来值的预测效应外，还可以加入其他因素来共同对men变量的未来值进行预测。
仍然采用前面例子的数据，前面的处理步骤相同，这里不再演示。
首先需要对类型点击进行调整，双击打开类型节点
将mail、page、phone、print、service这5个变量的角色由无修改为输入。即考虑这个变量对men变量的预测效应。
回到数据流，双击打开时间序列节点。
在模型页面下，方法选择“专家建模器”。点击标准按钮，在出现的窗口中选中“仅限于ARIMA模型”，勾选“专家建模器考虑季节模型”，其他保持默认，点击运行。
注意：ARIMA模型滞后项的选择不太容易，需要根据自相关和偏自相关系数来判断。而专家建模器则可以自动帮我们进行选择，大幅简化了建模的难度。
模型训练好后，将自动添加到数据流中。
将“图”选项卡下面的时间散点图节点添加到数据流，并与训练好的时间序列模型连接。
双击打开时间散点图节点，在图页面下，序列中输入“men和$TS-men”，其中$TS-men是时间序列预测的men变量值。去掉“在单独面板中显示序列和标准化的对号”，其他保持默认，点击运行。
在出现的窗口中给出了men变量及其预测值的时间散点图，可以看出，采用ARIMA模型后，men变量预测值的精度与考虑季节性的指数平滑模型有所提升。