第一步:明确时间。步骤:数据-定义日期。日期模式有很多种，看实际情况而定。
第二步:创建模型。步骤:分析-预测-创建模型。
第一个选项卡包含专家建模，指数平滑方法和ARIMA。
专家建模师是傻瓜相机，基本不靠谱。波动序列采用ARIMA，平滑采用指数法。
拟合好坏，ARIMA看的是稳定的R平方，指数平滑看的是R平方。
第二个选项卡:统计选项卡-拟合测量。
第三页签:图表，重点关注单个模型图，可以全部选择，看看对应哪些图，多画几张。
比如你想预测未来五年，你可以把自变量的数据再填五年，别的什么都不填，然后点击分析，预测，建模型，保存，选择预测值，下限，上限，你的原始数据集就有预测值了。
可靠的
Spsspro支持代码导出模块，覆盖了大量的评估、优化和预测模型，可以满足数据建模中使用的大部分模型。
所有算法模型操作都非常简单，只需拖拽变量，系统会自动生成结果。
除了数据分析，SPSSPRO还可以做数据处理。
目前有常见的离群点处理、缺失值处理、数据降维等60多种处理方法。
方法介绍，曲线拟合过程2/8【分析】，【回归】，【曲线估计】，选择相应的变量和拟合模型，得到结果，拟合效果良好。
3/8用指数模型预测4/8用加权最小二乘法拟合模型！5/8首先，按照传统的运算方法，N代表X和Y的个数，所以N要作为一个加权的情况来处理。
6/8此时对X的统计分析显示有171个数据，然后进行线性回归7/8。此操作与以下操作相同。在一定范围内搜索8/8变权值，得到优化的权值结果。
Logistic回归主要分为三类，一类是有因变量的二元logistic回归，称为二项式logistic回归，另一类是有无序因变量的多类别logistic回归，比如选择哪个产品，称为多项式logistic回归。
还有一种是对因变量进行排序分类的逻辑回归，比如疾病的严重程度是高、中、低等。这种回归也称为累积逻辑回归或有序逻辑回归。二元逻辑回归:选择分析-回归-二元逻辑，打开主面板，检查因变量的二元变量。这是不可用的。什么？;问题是什么？然后看下面写的一个协变。什么是协变很奇怪吗？在二元逻辑回归中，协变量可以被认为是独立变量，或独立变量。在协变量框中选择你的自变量。
细心的朋友会发现，在指向协变的箭头下，有一个标有a*b的小按钮，用来选择交互项目。
我们知道有时候两个变量的组合会产生新的影响，比如年龄和结婚次数，会对健康产生新的影响。这时候我们认为两者之间是有交互作用的。然后，为了模型的准确性，我们将这种相互作用影响选择到模型中。
我们在右边的框中选择变量A，按住ctrl，选择变量B，这样我们就可以同时选择两个变量，然后点击a*b的按钮，这样协变量的框中就出现了一个名字很长的新变量，就是我们交互的变量。
下面是方法的下拉菜单。默认为输入，即强制所有选择的变量进入模型。除了入口法，还有三个前进法和三个后退法。
一般默认输入就可以了。如果模型中变量的P值不合格，会用其他来做。
底部的选择变量用于选择您的案例。你不我通常不必为此担心。
选择主面板后，单击分类(右上角)打开分类对话框。
在此对话框中，左边的协变量框包含您选择的自变量，而右边的协变量框为空白。
您应该将协变量中的字符变量和分类变量选择到分类协变量中(系统会自动生成虚拟变量以便于分析。关于哑变量的详细信息，请参考上一篇文章)。
这里的字符变量是指标有值标签的变量，否则系统可以Idon'我不能仅凭语言来为你分析它们。
在选择之后，在分类协变量下面有一个改变比较的方框。我们知道，spss对于分类变量需要有一个参照，每一个分类都与这个参照进行比较，得到结果。更改比较的框用于选择参考。
默认的比较是指标，即每一个分类都与总体进行比较，除了指标，还有简单，差异等等。
这个框架不是很重要，默认就好。单击继续。
然后打开保存对话框，检查概率，分组成员，包括协方差矩阵。单击继续打开选项对话框，检查分类图、估计值的相关性、迭代历史、exp(B)的CI(包括模型中的常数)以及每一步的output-in。
如果你的协变量是连续的或者小样本的，还应该检查一下Hosmer-Lemeshow拟合度，这样会更好。去吧，确认一下。
然后，输出结果。将主要输出六个表。第一个表是模型系数合成。检验表取决于他的模型的p值是否小于0.05，以及我们的logistic回归方程是否有意义。第二个表示模型摘要表。这个表中有两个R2，叫做广义决定系数，也叫伪R2。该函数类似于线性回归中的决定系数，它也表明该方程在多大程度上可以解释模型。由于计算方法不同，这两个广义决定系数的取值往往不同，但差别并不大。下面的分类表显示了模型的稳定性。
此表最后一行中百分比校正下面的三个数据列出了模型正确预测的百分比以及实际值为0或1时模型的总正确预测率。一般认为正确预测的概率是50%(标准确实够低)，当然正确率越高越好。然后是最重要的表格，方程中的变量表。第一行b下面是每个变量的系数。第五行的p值会告诉你每个变量是否适合留在方程里。如果某个变量不合适，就需要再次去掉该变量，进行回归。根据这个表，逻辑方程可以写成:PExp(常数a1*变量1a2*变量2。。。)/(1Exp(常量a1*变量1a2*变量2。。。))。如果你学过统计学，你应该熟悉这种形式的方程。提供一个变量，这个变量最终会是一个0到1之间的数字，也就是你的模型中设置了大值的情况出现的概率。例如，如果你想计算它是否会被治愈，你设置0为治愈，1为未治愈。然后你的模型计算出没有治愈的概率。如果想直接计算治愈概率，需要更改设置，用1表示治愈。此外，最后两列有一个EXP(B)，它是OR值。哦，这不t表示OR，OR值就是比值比。在线性回归中，我们用标准化系数来比较两个自变量对因变量的影响，在logistic回归中，我们用比值比来比较不同情况对因变量的影响。比如说。比如我想看看性别对一种疾病是否好转的影响。假设0代表女性，1代表男性，0代表没有变好，1代表变好。发现这个变量的OR值是2.9，也就是说男性的提升可能是女性的2.9倍。注意，这里都是基于取值较大的情况。而OR值可以直接给出这个倍数。如果0、1、2各代表一种情况，那么2就是1的2.9倍，1就是0的2.9倍，以此类推。或值对等式没有贡献，但有助于直观地理解模型。使用OR值时，一定要用它的95%置信区间来判断。另外还有相关矩阵表和概率直方图，不再介绍。多元逻辑回归:选择分析-回归-多元逻辑回归，打开主面板，因变量大家都知道选什么，因变量下面有参考类别，默认第一类别就可以了。然后有两个框架，因子和协变量。很明显，这两个框架都需要你选择因变量，那么有什么区别呢？嘿嘿，区别就在于因素里有无序的分类变量，比如性别，职业，连续变量(其实做logistic回归的时候绝大部分自变量都是分类变量，连续变量比较少)。)，且协变量包含等级数据，如疾病的严重程度、年龄(以十年为一个年龄组，如果一个是一年，则视为连续变量)等等。在二项式logistic回归中，系统会自动生成哑变量，但在多元logistic回归中，需要手动设置。参照上面的解释，不难知道，设定的虚拟变量应该放在因子的盒子里。然后点击模型对话框，哇，多么恐怖的对话框，我不我不知道这是什么。好吧，让我们让我们一点一点来看。我们已经说了什么是交互作用，那么就不难理解主要作用是变量本身对模型的影响。明确了这一点，这个对话框就没那么难选了。指定模型一栏有三个模型，主效应指的是只做自变量和因变量的方程，是最常见的一个。全因素是指包括所有主效应和所有因素及其交互效应的模型(Idon我不明白为什么只有总因素而没有总协变量。这个问题真的很难，所以不要回答。;不要问我。)第三个是set/step。这是手动设置交互项和主效果项，也可以设置这个项是强制进入还是逐步进入。唐不要为这个概念而烦恼，是吗？点击继续打开统计对话框，查看办案汇总、伪R方、步骤汇总、模型拟合信息、单元格可能性、分类表、拟合度、估计、似然比检验，继续。打开条件，全部选中，继续，打开选项，选中用于分级的必备项，然后移除该项。打开保存并选中包含协方差矩阵。当然(终于完成了)。结果类似于二项式逻辑回归，只是多了一个似然比检验，如果P值小于0.05，则认为变量有意义。然后我们直接看参数估计表。假设我们的因变量有n类，参数估计表会给出n-1组的截距，变量1和变量2。我们我们用Zm来表示Exp(常数mam1*变量1am2*变量2。。。)，则M级情况发生的概率为Zn/1Z2Z3...Zn(如果我们把第一个类作为参考类，我们就赢了t有任何关于第一类的参数，那么第一类就默认为1，也就是说Z1为1)。有序回归(累积logistic回归):选择菜单分析-回归-有序打开主面板。因变量、因子、协变量如何选择数量就不重复了。“选项”对话框为默认值。打开输出对话框，勾选拟合统计、汇总统计、参数估计、平行线检验、估计响应概率、实际类别概率、OK、位置对话框，与上述模型对话框类似，不再赘述。当然可以。结果其中一个独特的表格是平行线检查表。如果本表的p值小于0.05，则认为不同类别的斜率不同。另外，从参数估计表中得到的参数也是不同的。假设我们的因变量有四个水平，有两个自变量，参数估计表会给出三个阈值a1，a2，a3(即截距)和两个自变量的参数M，N。计算方程时，先计算三个链接值，即link1a1m*x1n*x2，link2a2m*x1n*x2，link3a3m*x1n*x2(只是截距不同)。获得链接值p11/(1exp(link1))、p1p21/(1exp(link2))、p1p2之后。物流与运输。;这里的回归基本结束了。大家一定要把公式背下来，搞混了就不好了。希望能帮到你。