检查模型
- 双击时间序列模型块，然后选择“输出”选项卡可显示有关为每个市场生成的模型的数据。
图 1. 为市场生成的时间序列模型 
在左侧“输出”列中，选择任意市场的模型信息。预测变量数线可显示用作各个目标预测变量的字段数，本例中为 0。
模型信息表中的剩余线可显示每个模型的不同拟合度测量值。平稳的 R 方值提供了由模型解释的序列中总方差所占比例的估计值。该值越高（最大值为 1.0），则模型拟合会越好。
Q(#) 统计量、df 和 显著性线与 Ljung-Box 统计量相关，该检验是对模型中残差的随机检验；错误的随机性越大，模型可能就越好。Q(#) 是 Ljung-Box 统计量本身，而 df（自由度）表示估算特定目标时可以自由改变的模型参数的数目。
显著性线给出了 Ljung-Box 统计量的显著性值，从而以另一种方式来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。
如果将平稳的 R 方和显著性值考虑在内，那么专家建模器为 Market_3 和 Market_4 选择的模型完全可以接受。Market_1、Market_2 和 Market_5 的显著性值都小于 0.05，这表示可能还需要进行一些实验，以便为这些市场找到拟合度更好的模型。
屏幕上将显示多个其他拟合度测量值。R 方值提供了可由模型解释的时间序列中总方差的估计值。由于此统计量的最大值为 1.0，因此在这一点上，我们的模型表现不错。
RMSE 指均方根误差，它用于度量序列的实际值与模型预测值之间的差异，以序列自身所用单位表示。由于这是误差测量值，因此该值越小越好。乍一看， Market_2 和 Market_3 的模型的成功率低于其他三个市场，但根据目前所观察的统计量仍可以接受。
其他的拟合度测量值包括均值绝对百分比误差（MAPE）及其最大值（MAXAPE）。绝对误差百分比用于度量目标序列与其模型预测水平的差异程度，以百分比值表示。通过检查所有模型中的均值和最大值，可以大概知道预测的不确定性程度。
MAPE 值显示所有模型的平均不确定性都在 1% 左右，这是一个很低的值。MAXAPE 值显示最大绝对误差百分比，这对设想预测的最坏情况很有帮助。该值显示大多数模型的最大百分比误差大约在 1.8% 至 3.7% 之间，只有 Market_4 稍高，接近 7%，但仍然是一组很低的数字。
MAE （平均绝对误差）值用于显示预测误差绝对值的均值。类似于 RMSE 值，此值以序列自身所用单位表示。MAXAE 显示以同一单位表示的最大预测误差，并指示预测的最坏情况。
尽管关注的是这些绝对值，但由于目标序列表示的是不同规模市场的订户量，因此在此情况下百分比误差值（MAPE 和 MAXAPE）更有用。
MAPE 和 MAXAPE 值可以使用模型表示可接受的不确定性吗？毫无疑问这些值很小。由于可接受风险因问题的不同而有所变化，因此商业意识可以在此派上用场。假设拟合度统计在可接受的范围之内，然后继续查看残差。
相对于仅查看拟合度统计，检查模型残差的自相关函数 (ACF) 和偏自相关函数 (PACF) 的值可以通过更量化的方式深入了解模型。
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，那么任何误差都不应随时间的推移与其自身相关联（自相关）。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。
- 对于第四市场，在左侧列中单击相关图可显示模型中残差的自相关函数 (ACF) 值和偏自相关函数 (PACF) 值。
图 2. 第四市场的 ACF 值和 PACF 值 
在这些图中，已将误差变量的原始值延迟多达 24 个时间段并与原始值进行比较，以确定随着时间推移是否存在任何相关性。要使模型可接受，上 (ACF) 图中的条形在正（上）方向或负（下）方向均不应扩展到阴影区之外。
如果出现此情况，您需要检查下 (PACF) 散点图，以了解是否已确认此处的结构。PACF 散点图主要关注在控制插入时间点的序列值之后的相关性。
Market_4 的值都位于阴影区之内，因此我们可以继续检查其他市场的值。
- 单击各个其他市场以及市场总计的相关图。
其他市场的值均有部分位于阴影区之外，这证实了我们先前通过显著性值所作的猜测。我们需要在某些时间点试验这些市场的其他一些模型，以了解是否可以得到更好的拟合，但对于该示例的剩余部分，我们将关注还能从 Market_4 模型中获取哪些内容。
- 在“图形”选用板中，将“时间散点图”节点附加到时间序列模型块。
- 在“图”选项卡上，取消选中在单独面板中显示序列复选框。
- 在序列列表上，单击字段选择器按钮，选中 Market_4 和 $TS-Market_4 字段，然后单击确定将其添加到列表中。
- 单击运行，以显示第一个地区市场的实际数据和预测数据的线图。
图 3. 选择要绘制的字段 
注意预测（$TS-Market_4）线如何通过实际数据的末端向外延伸。 目前已得出对此市场未来三个月的预期需求的预测。
整个时间序列上的实际数据线和预测数据线在图上非常接近，表明对此特定时间序列这是一个可靠的模型。
图 4. Market_4 的实际数据和预测数据时间散点图 
将模型保存在文件中，以便在将来的示例中使用：
- 单击 确定 关闭当前图形。
- 打开时间序列模型块。
- 选择 文件 > 保存节点 并指定文件位置。
- 单击保存。
现在虽然有了此特定市场的可靠模型，但该预测的误差到底有多大呢？可通过检查置信度区间得到预测的误差大小。
- 双击流中最后一个时间散点图节点（标注为 Market_4 $TS-Market_4）可重新打开该节点的对话框。
- 单击字段选择器按钮，然后将 $TSLCI-Market_4 和 $TSUCI-Market_4 字段添加到序列列表中。
- 单击运行。
现在有了与以前一样的图形，但添加了置信度区间上限 ( $TSUCI ) 和下限 ( $TSLCI )。
请注意置信度区间的边界如何随预测时限而分叉，这表示预测越指向更远的将来，不确定性就变得越来越大。
但是，随着每个时段的流逝，您就会多一个时段（在本例中为月）的实际使用率数据作为预测的依据。您可以将这些新数据读入流中，并再次应用您的模型，因为您知道它是可靠的。有关更多信息，请参阅重新应用时间序列模型主题。
