预测才是数据分析的真谛，通过历史数据，预测未来的各种可能性，针对预测的结果防范于未然。预测方法有很多种，包括定性以及定量方法。其中，时间序列预测，它不用过多考虑内部具体的、错综复杂的影响因素，是“历史重演”的惯性假设条件下，基于外部数据的对未来的估计。

什么是移动平均？

最简单，也是最常用的时间序列分析是移动平均法，任何周期的预测值都是过去几个周期观测值的平均值。要执行移动平均法，首先需要选择一个跨度，即每次移动平均的周期。例如，我们假设数据是每月的数据，跨度选择5个月，因此下个月的预测值是前5个月值得平均值。注意，跨度越大，预测序列就越平滑。SPSS统计分析工具提供了便捷的移动平均模型，今天一起来揭开它的神秘。

SPSS移动平均分析实例

数据“SPSS移动平均分析实例”，其中变量sales为某个公司1986-1997年间各个季度某商品的销售量数据，用移动平均法来预测1998年1季度销售额及98年2季度的销售额。

菜单操作步骤

（1）“转换”——“创建时间序列”

（2）将“销售量”移动至右侧框内，新的变量命名为：移动平均；

（3）函数选择：先前移动平均，跨度选择5；

（4）单击“更改”

备注：（此案例旨在说明SPSS移动平均的过程，跨度的大小不再考虑。）

此时，在数据集界面，我们可以看到，1998年1季度预测值为：4490.52，如果我们继续这个步骤来预测1998年2季度，由于1998年1季度并没有真实的观测值，一般在这种情况下，多采用相应的预测值代替，按照同样的方法，我们可以得到，1998年2季度的预测值为：4483.43。

如何来衡量移动平均的误差

最简单是采用平均绝对误差MAE，为n个预测值与观测值误差的平均值。通过计算新的变量，可轻松得到。本例跨度为5的情况下，其MAE为：569.5，可见该值较大，平均绝对误差比较大，移动平均的效果并不明显。

 必须得强调的几点

（1）时间序列存在比较明显的季节性趋势时，不适于使用移动平均；

（2）时间序列存在比较明显的发展趋势时，不适于使用移动平均；

上面这个案例，从时间序列图上，可以看出，存在明显的趋势因素及季节性因素，综合而言，并不适用于使用移动平均，最后由较高的MAE也可以反映出这一点，因此在使用移动平均前需要重点观察序列的趋势。