Arima 模型在 SPSS 中的操作 ARIMA 是自动回归积分滑动平均模型，它主要使用与有 长期趋势与季节性波动的时间序列的分析预测中。 ARIMA 有 6 个参数，ARIMA (p,d,q)(sp,sd,sq)，后三个 是主要用来描述季节性的变化，前三个针对去除了季节性变 化后序列。为了避免过度训练拟合，这些参数的取值都很小。 p 与 sp 的含义是一个数与前面几个数线性相关，这两参数大 多数情况下都取 0, 取 1 的情况很少，大于 1 的就几乎绝种 了。d 与 sd 是差分，difference，d 是描述长期趋势，sd 是 季节性变化，这两个参数的取值几乎也都是 0，1，2，要做 几次差分就取几作值。q 与 sq 是平滑计算次数，如果序列变 化特别剧烈，就要进行平滑计算，计算几次就取几做值，这 两个值大多数情况下总有一个为 0，也很少超过 2 的。 ARIMA 的思路很简单，首先用差分去掉季节性波动，然 后去掉长期趋势，然后平滑序列，然后用一个线性函数+白 噪声的形式来拟合序列，就是不断的用前 p 个值来计算下一 个值。 用 SPSS 来做 ARIMA 大概有这些步骤： 1 定义日期，确定季节性的周期，菜单为 Data-Define dates 2 画序列图来观察数值变化，菜单为 Graph-sequence / Time 

Series - autoregressive 3 若存在季节性波动，则做季节性差分，Graph- Time Series - autoregressive，先做一次，返回 2 观察，如果数列还存 在季节性波动，就再做一次，需要做几次，sd 就取几 4 若观察到差分后的数列中有某些值远远大于平均值，则需 要做平滑，做几次 sq 就取几 5 然后看是否需要做去除长期趋势的差分，确定 p 与 sp 6 然后在 ARIMA 模型中测试是否存在其他属性影响预测属性， 如果 Approx sig 接近 0，则说明该属性可以加入模型，作为 独立变量，值得注意的是，如果存在突变，可以根据情况自 定义变量，这个在判断突变的原因比重时特别有用。 7 然后用以确定的参数与独立变量进行拟合预测。 8 最后，用 Graph- Time Series - autoregressive 来判断 一下拟合产生的误差 ERR，如果不存在明显特征，可以看作 是无规律的随机白噪声，就可以认为建模成功。 9 最后使用 ARIMA 模型进行预测即可 感觉在电信行业的 KPI 预测中，最有应用前景的是第六步， 除了可以找到那些变量对目标值有影响外，还能确定在目标 属性的变化中，不同原因的影响比例，如多少程度是由于竞 争对手的失误，多少程度是因为自己表现好，多少程度是因 为市场大环境变化了。此外，通过预测值，可以指导计划的 编制和指标的制定，还能起到一点业务预警的作用。