1. 2. 3. 4.
作业三
打开“产品销售额.sav”，数据是某产品销售额的信息。 绘制销售额的时间序列图， 判断它的变动趋势。
使用时间序列分析方法，通过对比分析建立一个比较好的模型。 利用建立的模型对2013年销售额进行预测。
如上图：显示产品销售额随着时间的变化而逐渐增加，同时序列中有很多波峰和波谷，预示时间序列还可能存在季节变动。在根据年轴线划分后的，可以清楚的看出产品销售额既有长期变动的趋势，同时也有季节波动趋势，这说明可以使用温特斯模型来对数据进行进一步分析。
简单季节型模型 Model Statistics Model Model Fit statistics Number of Predictors 销售额-Model_1 0 Stationary R-squared -.473 Statistics 118.768 DF 16 Sig. .000 Ljung-Box Q(18) Number of Outliers 0 Winters可加性模型 Model Statistics Model Model Fit statistics Number of Predictors 销售额-Model_1 0 Stationary R-squared -.067 Statistics 103.686 DF 15 Sig. .000 Ljung-Box Q(18) Number of Outliers 0 Winter相乘性模型 Model Statistics Model Model Fit statistics Number of Predictors 销售额-Model_1 0 Stationary R-squared .209 Statistics 26.371 DF 15 Sig. .034 Ljung-Box Q(18) Number of Outliers 0 Simple线性趋势模型 Model Statistics Model Model Fit statistics Number of Predictors 销售额-Model_1 0 Stationary R-squared -.004 Statistics 216.807 DF 17 Sig. .000 Ljung-Box Q(18) Number of Outliers 0 Holt线性趋势模型 Model Statistics Model Model Fit statistics Number of Predictors 销售额-Model_1 0 Stationary R-squared .277 Statistics 216.888 DF 16 Sig. .000 Ljung-Box Q(18) Number of Outliers 0 Brown线性趋势模型 Model Statistics Model Model Fit statistics Number of Predictors 销售额-Model_1 0 Stationary R-squared .066 Statistics 181.257 DF 17 Sig. .000 Ljung-Box Q(18) Number of Outliers 0 阻尼趋势模型 Model Statistics Model Model Fit statistics Ljung-Box Q(18) Number of Predictors 销售额-Model_1 0 Stationary R-squared .090 Statistics 154.808 DF 15 Sig. .000 Number of Outliers 0 由于已知销售额具有季节波动趋势和长期波动趋势，又上述的个个模型的的R值的大小的对比可得，Winter相乘性模型是满足上述要求的最好模型。 由Winter相乘性模型预测得2013年销售额为450
