最后我们看一眼统计检验指标结果：

大家可以把我们前面做的结果进行相互比较，或许你能够看出哪些指标更好，哪些指标 该如何评测了！

我看出来了，比如：Sig 值越大越好，平稳得 R 方也是越大越好吧！

Sig.列给出了 Ljung-Box 统计量的显著性值，该检验是对模型中残差错误的随机 检验；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。

平稳的 R 方：显示固定的 R 平方值。此统计量是序列中由模型解释的总变异所占比 例的估计值。该值越高（最大值为 1.0），则模型拟合会越好。

检查模型残差的自相关函数 (ACF) 和偏自相关函数 (PACF) 的值比只查看拟合 优度统计量能更多地从量化角度来了解模型。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，则任何误差都不会随着时间的推移与其自身相关联（自关联）。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。

如果你一定要理解 RMSE 或者 MAE 等统计检验量， 只好找来教科书好好学习了！ 我想， 等我要写教科书的时候，一定会告诉大家如何检验这些统计量，并给出各种计算公式！但我 的学生或读者大部分是文科或企业经营分析人员，讲这些东西他们都会跑了！

大家不要忘了，SPSS 时间序列预测模块还包含模型应用，也就是可以把预测模型转存 为 XML 模型文件，以后预测的时候就可以不用原始数据了！

我记得早期 SPSS 公司推出时间序列预测模型软件 DecisionTime & What-if，非常好 用，而且还可以进行更为细致的分析，甚至结果输出都是自动报告！

当然，我找机会用 PASW Modeler 13 操作一次上述时间序列预测建模过程，也就是数 据挖掘工具中的时间序列预测方法，会更方便、更简单、更好部署！

备注：PASW Modeler 13 就是 SPSS 公司的 Clementine 13.0 版本！ 博易智讯的马博士说： SPSS 公司已经把 SPSS 软件改名叫 PASW Statistics， Clementine 叫 PASW Modeler。

自变量的选择问题，在预测未来半年的销售收入中，ARIMA 模型可以把其它预测变量纳入考虑，但如何确 定未来这些预测变量的值呢？

主要方法可以考虑：1）选择最末期数据；2）选择近三期数据的平均；3）选择近三期的移动平均 这里我们选近三期移动平均作为预测自变量数值。 请问沈浩老师，以上这一段话怎么操作啊？在哪里选择这 3 种方法来确定未来的自变量的值啊？我试过手 工输入未来的自变量值，可以做出预测，但是我想模型应该可以自动生成这些未来自变量的值，我找了很 久都没有找着，请赐教！非常感谢！ 另外， 有一个问题我一直没有想得很明白， 想请教一下。 多元回归分析做的预测和时间序列分析做的预测， 使用条件和最大的区别是什么啊？如果数据是按时间走的，是不是就不适合用多元回归分析做预测呢？ 如果您能回复，我将感到万分荣幸。 SPSS 软件里面自变量取值一般是 0-1； 真实的干扰需要采用 Clementine 软件就有这个自动添加方式了， 抱歉我没有说清楚！ 2）时间序列数据，自变量是相关的，当然不适合简单的线性回归分析！