ARIMA

借助 ARIMA 过程，您可以创建一个自回归综合移动平均值 (ARIMA) 模型，该模型适合精细调整的时间序列建模。

ARIMA 模型构建趋势和季节成分的方法比构建指数平滑模型更复杂，并新增了在模型中包含预测变量的优势。

继续以要开发预测模型的产品分类公司为例，我们了解了公司如何通过多个可用于解释某些销售变化情况的序列来收集男装的月度销售数据。 预测变量可包括：邮递的产品目录数和产品目录的页数、开通的订购热线数目、印刷广告投入额以及客户服务代表人数。

这些预测变量是否对预测都有用？ 包含预测变量的模型是否优于不包含预测变量的模型？ 通过 ARIMA 过程，我们可以创建包含预测变量的预测模型，并了解与没有预测变量的指数平滑法模型相比，预测能力是否有显著差别。

ARIMA 方法使您可以通过指定自回归、差分和移动平均值的顺序以及这些组件的季节对应物来对模型进行微调。 由于手动确定上述成分的最佳值时需要大量的试错，从而变得十分耗时，因此在本例中，我们将为专家建模器选择 ARIMA 模型。

我们会通过将数据集中的某些其他变量视为预测变量来尝试构建更好的模型。 作为预测变量包含的内容似乎最有用的是邮寄的目录数 (mail) ，目录中的页面数 (page) ，为订购而打开的电话线数 (phone) ，用于打印广告的金额 (print) 以及客户服务代表的数量 (service)。

1. 双击“类型”节点以打开其属性。
2. 将 mail、page、phone、print 和 service 的角色设置为输入。
3. 确保 men 的角色设置为 目标 ，并且所有其余字段都设置为 无。
4. 单击保存。
5. 双击“时间序列”节点。
6. 在构建选项 - 常规下，针对方法选择专家建模器。
7. 选择选项仅 ARIMA 模型和专家建模器考虑季节性模型。

   

8. 单击保存并运行流。
9. 右键单击模型金块并选择 View Model. 单击男性，然后单击模型信息。 注意专家建模器如何仅选择了 5 个指定预测变量中的 2 个作为模型的重大预测变量。

   

10. 打开最新的图表输出。

    

    比前一模型有所改进，此模型可以捕捉大型的下降峰值，并将其保持为当前最适合的值。

    我们可以进一步优调此模型，但从此以后所进行的任何调整都将微乎其微。 我们已确定包含预测变量的 ARIMA 模型更合适，因此使用刚刚构建的这一模型即可。 此示例的目的是预测明年的销售情况。

11. 双击“时间序列”节点。
12. 在模型选项下，选择选项将记录扩展至将来并将其值设置为 12。
13. 选择计算输入的将来值选项。
14. 单击保存并运行流。
    预测看起来不错。 正如预期的那样，继 12 月高峰之后，有回归正常的销售水平，下半年也有稳步上升的趋势，销量总体上好于上年同期。