“时间序列”节点

“时间序列”节点可以在本地或分布式环境中与数据配合使用；在分布式环境中，可以利用 IBM® SPSS® Analytic Server 的能力。通过此节点，可以选择对时间序列的指数平滑法模型、单变量自回归整合移动平均值 (ARIMA) 及多变量 ARIMA（或转换函数）模型进行估计和构建，并根据时间序列数据产生预测。

指数平滑是一种使用先前的序列观察的加权值来预测未来值的预测方法。因此，指数平滑不是以对数据的理论理解为基础的。指数平滑每次预测一个点，在输入新数据时可调整其预测。此技术有助于预测可展示趋势和/或季节性的序列。您可从以不同方式处理趋势和季节性的各种指数平滑法模型中进行选择。

与指数平滑法模型相比，ARIMA 模型在对趋势和季节组件建模方面提供更成熟的方法，特别是，增加了可在模型中包括自变量（预测变量）的优势。这包括明确指定自回归阶数和移动平均值阶数以及差分次数。可以包含预测变量并为任意或所有预测变量定义变换函数以及指定对离群值的自动检测或精确设置。

注：在实际应用中，如果要包括预测变量（这些变量可能有助于说明正在预测的序列的行为，例如邮寄的目录的数目或某公司网页的点击数），那么 ARIMA 模型最有用。而指数平滑模型在说明时间序列的行为时，并不试图去了解其行为的原因。例如，过去每 12 个月达到最大值的序列可能继续保持该行为，即使您不了解其原因也是如此。

还提供了专家建模器选项，此选项将尝试自动识别和估计对一个或多个目标变量拟合度最高的 ARIMA 模型或指数平滑法模型，从而无需通过试错来识别适当的模型。如果您有任何疑问，请使用“专家建模器”选项。

如果指定了预测变量，那么专家建模器会选择将那些在统计意义上与相依序列具有显著关系的变量包括在 ARIMA 模型中。在适当的地方使用差分和/或平方根或自然对数变换对模型变量进行变换。缺省情况下， Expert Modeler 会考虑所有指数平滑模型和所有 ARIMA 模型并为每个目标字段选择其中最适合的模型。不过，可以将 Expert Modeler 限制为仅选择最适合的指数平滑模型或仅选择最适合的 ARIMA 模型。也可以指定对离群值进行自动检测。