前阵子有位做门店运营的朋友来找我，手里攒了一堆按月统计的销售明细，想预测接下来半年的走势，又不太想为这事专门去学 Python，问 SPSS 到底能不能做。我回了一句：能做，而且 SPSS 的时间序列分析模块比你想象的稳得多。

很多人对 SPSS 的印象还停留在卡方检验、方差分析、信度效度这一类操作上，最多再加个线性回归。但 SPSS 的【预测】模块里，指数平滑、ARIMA、季节性分解、自相关分析这些东西都是正经工具，甚至还有一个自动选择模型的专家建模器。对于社科研究者、企业分析师和写论文的学生来说，这算得上桌面级统计软件里最友好的时间序列工具箱之一。

这篇文章不打算写成软件说明书，而是按一个真正项目的流程来讲：数据怎么摆、日期怎么定义、专家建模器怎么快速上手、手动 ARIMA 怎么调参，再用一个门店月销售额的案例把整个流程串起来，最后把 SPSS 输出表里容易读错的指标和常见坑位一并说清楚。

1. 先搞清楚：SPSS 里做时间序列，和回归分析有什么不一样

1.1 时间依赖才是核心：为什么不能拿普通回归直接套

不少第一次接触时间序列分析的朋友，上来就习惯性把数据扔进线性回归，这是最容易踩的坑。普通回归模型有一个基本假设：样本之间相互独立。但时间序列数据天生就违反这个假设，因为相邻时间点的观测值几乎都是相关的。比如一个门店 1 月销售额冲到高点，2 月大概率不会突然断崖式下跌；这个月的用户量高，下个月也有惯性。这种“时间依赖”如果被忽略，回归模型的显著性会被严重夸大，预测误差也会被低估。

SPSS 的时间序列分析，本质上就是在做一件事：把时间依赖拆解成趋势、季节性、周期和随机波动四个部分，然后分别建模。它不再把每个月份当成完全独立的个案，而是当成一个连续的、有先后关系的过程来处理。理解了这一点，再看后面的操作就不会觉得只是在点菜单。

1.2 SPSS 时间序列模块到底能做哪些分析

在动手之前，先盘一下手工上能用到哪些功能。以 SPSS Statistics 26 及以上版本为例，【分析 > 预测】菜单下面主要提供了这几类东西：

• 专家建模器：自动比较指数平滑和 ARIMA 的一批候选模型，自动判断是否差分、是否含季节项，适合快速出结果。
• 传统建模方法：指数平滑里的简单法、Holt 线性趋势法、Holt-Winters 加法/乘法模型；ARIMA 也就是 Box-Jenkins 方法；季节性分解；谱分析。
• 辅助诊断工具：自相关图、偏自相关图、交叉相关图，用于判断序列的平稳性和模型阶数。
• 应用模型：把训练好的模型保存成 XML 文件，之后可以对新数据直接打分预测。

这些功能并不比某些编程工具弱，只是很多人不知道。尤其专家建模器，它能在后台跑出几十个候选模型，最后按信息准则挑一个，这个逻辑放在 R 或 Python 里得写不少代码。

1.3 数据表格应该长什么样

SPSS 的数据视图还是老规矩，一行一个观测，但时间序列分析有一个特殊要求：必须有一个“代表时间顺序”的变量，并且时间间隔要等距。比如每个季度一条、每个月一条、每周一条。如果你的数据里有的月份有记录、有的月份没有，那就不是等间隔，后面做滞后项和差分都会出问题。

举例来说，要做月度销售额预测，数据表中最少要有两列：一列是年月，比如 2018 年 1 月；一列是指标值，比如销售额。日期列可以是字符串“2018/01”，也可以是数值 201801，但 SPSS 不会因为你填了这个就自动知道它是月度数据。真正告诉 SPSS“这是一组按月排列的时间序列”的操作，是菜单栏里的【数据 > 定义日期和时间】。这一步没做，后面一大堆分析菜单都用不了，或者分析结果完全不对。

2. 数据准备：日期定义和缺失值处理，这一步能挡掉绝大多数报错

2.1 先把时间刻度告诉 SPSS：定义日期和时间

具体操作如下，建议第一次做的时候一步一步跟。

第一步，打开数据文件，确认日期列和指标列都在。 第二步，点击菜单【数据 > 定义日期和时间】。系统会弹出一个对话框，左边是“个案数”，右边是时间间隔选项。 第三步，根据数据粒度选择间隔。月度数据选“年、月”，季度数据选“年、季度”，日数据选“日”。如果数据带月份又有周的概念，也可以选“年、月、周”这种组合，但一般用不到。 第四步，在“第一个个案”区域填写起始时间。比如数据从 2018 年 1 月开始，就填入年份 2018、月份 1。 第五步，点击确定。

完成后，数据视图末尾会自动生成几个新变量，通常包括 YEAR_、MONTH_、DATE_ 等。DATE_ 是 SPSS 内部真正认识的日期变量，后面画图、建模型时选它做时间轴就对了。

这里有一个容易被忽略的点：定义日期之后，SPSS 会把这个文件标记为“时间序列数据”，并且记住你的时间周期。月度数据对应的季节周期长度是 12，季度数据是 4。如果这一步选错了，等于整个模型的前提就错了。

2.2 时间序列里缺失值不能随便删

普通问卷数据遇到缺失值，最省事的办法是整行删除。但时间序列数据绝对不建议这么干。原因很简单：你删掉哪一个月，SPSS 根本不知道那个月存在过，它会把下一个月当成上个月的紧邻期，所有滞后关系就错位了。

举个例子，1 月、2 月、4 月有数据，3 月缺失。如果你不处理，滞后 1 期时，SPSS 计算的是 1 月对 2 月、2 月对 4 月，这样 4 月被当成 3 月的下一个月，本来应该有的 2 月到 3 月的间隔消失了，自相关结构完全被打乱。

处理缺失值一般有两个思路。如果缺失的量不大，先用【转换 > 替换缺失值】补上。SPSS 提供了几种填充方法：序列均值、相邻点均值、相邻点中位数、线性插值、线性趋势等。对于月度销售数据，我一般用线性插值，因为它能保持一定的连续性。如果缺失值集中在尾部，也就是最近几个月没有数据，那要更小心，因为模型会把这种情况理解成“趋势中断”，预测结果容易明显偏低。

2.3 画序列图是建模前必做的体检

不管你是用专家建模器还是手动建 ARIMA，建模之前都应该先画一张序列图。操作路径：【图形 > 时间序列 > 序列图】。把销售额变量选入“变量”，把 DATE_ 放入“时间轴标签”。

序列图主要看三件事：

• 有没有明显的长期上升或下降趋势。如果有，说明序列非平稳，后面可能要差分。
• 有没有规律性的周期波动。月度数据通常能看到每年的旺季和淡季，比如 12 月冲高、2 月回落的循环。
• 有没有异常点，以及波动幅度是否随水平升高而变大。如果方差不稳定，可以考虑对数据取对数之后再建模。

这一步花不了两分钟，但对后续模型选择非常有帮助。很多人跳过序列图直接跑专家建模器，结果模型出来的趋势和季节项跟业务实际对不上，回头再排查，才发现数据里有异常值或者周期定义错了。

3. 快速上手：用专家建模器跑出一个预测模型

3.1 菜单路径和关键选项

如果你的需求是做预测，最省力的路径是用专家建模器。操作步骤：

1. 点击【分析 > 预测 > 创建模型】。
2. 把“销售额”选入“因变量”列表。
3. 方法下拉框保持默认的“专家建模器”。
4. 点击“统计”按钮，勾选需要的拟合指标，建议勾上稳定 R 方、R 方、RMSE、MAPE、正态化 BIC、Ljung-Box Q 检验。
5. 点击“图”按钮，勾选“序列图”，方便看拟合值和实际值的对比。
6. 点击“保存”按钮，勾选“预测值”、“置信区间下界”、“置信区间上界”，这样预测结果会直接写回数据表。
7. 点击“选项”按钮，设定预测周期。可以在“最后一个个案之后指定预测周期”里填 12，意思是往后预测 12 个月；也可以选择指定日期。
8. 点击确定，跑模型。

整个过程不需要写一行代码，跑完以后，输出窗口会出现模型描述表、模型拟合统计量表、模型参数表，以及拟合图。数据视图末尾会多出几列，比如 Model_1 的预测值、置信区间上下界。

3.2 专家建模器到底在做什么

很多人在这一步会问：它到底是怎么选模型的？其实原理不复杂。SPSS 会在后台同时准备一批候选模型，包括指数平滑家族的简单法、Holt 线性趋势、阻尼趋势、Holt-Winters 加法/乘法模型，以及 ARIMA 模型的若干种 p、d、q 组合。它会对这些模型逐个估计，然后按照信息准则和拟合误差做比较，最终选出一个相对最优的模型。

这里有个细节值得强调：专家建模器不仅能判断要不要差分，还能判断要不要季节项。如果数据有明显季节性，它给出的模型会带季节差分或季节 ARIMA 项；如果数据就是个随机波动，它可能会选简单指数平滑。换句话说，普通用户不需要先手动做平稳性检验，这一步被自动化了。但自动化不等于万能，后面我会专门讲它的局限。

3.3 模型跑出来了，先别急着看预测值

输出结果里最值得先看的是“模型描述”表。这张表里的“模型类型”一列会告诉你 SPSS 最后选了哪种模型。比如写的是 ARIMA(0,1,1)(0,1,1)，意思是模型包含一阶差分、一个非季节 MA(1) 项、一阶季节差分和一个季节 MA(1) 项。这说明数据里有趋势，也有以 12 为周期的季节性。如果写的是“指数平滑-简单”，则意味着序列基本平稳，没有明显趋势和季节，模型只会把未来预测成一个围绕均值的水平线。

这一步是在给你交底：软件到底替你做了哪些决定。很多人拿到预测结果就直接截图，结果被导师或领导问“你的模型是什么”，答不上来，就是没看这张表。

3.4 预测值是怎么写回数据表的

运行完后，回到数据视图，拉到表格最下面，你会发现多了 12 行。这些行的日期变量 DATE_ 被自动扩展到了未来 12 个月，YEAR_、MONTH_ 也跟着填好，同时 Model_1 的预测值和置信区间上下界都出现在对应的新行里。这就是前面“保存”选项的作用。

如果想把历史实际值和未来预测值画在一张图里，可以再用【图形 > 时间序列 > 序列图】，把销售额和预测列都选进去。这样看起来更直观，汇报时也更好用。

4. 手动路子：用 ACF/PACF 图自己识别 ARIMA 模型

4.1 为什么要会手动建模型

可能你会问：专家建模器已经能自动选模型了，我为什么还要手动建？因为自动选模型有它照顾不到的地方。一是输出报告里往往需要你写清楚“模型是怎么识别出来的”，这时候你不能说“专家建模器选的”，得展示你看了自相关图、偏自相关图，经过判断后才确定了 p、d、q。二是遇到数据量太少、异常值多、业务上有特殊干预事件时，自动算法选出来的模型可能不符合实际，手动建模能给你更多控制权。

4.2 自相关图和偏自相关图怎么看

先做自相关分析。路径：【分析 > 预测 > 自相关】。把销售额选入变量，勾选“自相关”和“偏自相关”，其它选项保持默认。SPSS 会输出两张图：ACF 图和 PACF 图，并画出 95% 置信带。

看图的核心规则可以整理成下面这张表：

所谓“截尾”，是指自相关系数在某一个滞后阶之后快速落入置信带内，不再显著；所谓“拖尾”，是指自相关系数随着滞后阶数增加缓慢衰减，虽然有波动，但长期处在显著状态。如果你的 ACF 图呈现出衰减极慢的正相关，尤其是连续十几期都超过置信带，那基本可以认定原始序列不平稳。这时候不要硬套 ARMA 模型，先做差分。

4.3 在 SPSS 里手动设置 ARIMA(p,d,q)

手动建立 ARIMA 模型还是在【分析 > 预测 > 创建模型】这个窗口，只不过方法下拉框从“专家建模器”改成“ARIMA”。选完之后下方会出现非季节性部分 p、d、q 和季节性部分 P、D、Q 以及周期长度。

具体怎么定阶？我常用的顺序是这样：

第一步，先看原始序列图，确定 d。有明显趋势的取 d=1；方向不确定或者趋势很弱，可以先做一次差分再看图。 第二步，差分后再看 ACF 和 PACF。差分操作可以用【转换 > 创建时间序列】，方法选“差值”，或者直接在 SPSS 语法窗口写：

COMPUTE sales_diff = sales - LAG(sales). EXECUTE.

第三步，观察差分后 ACF 和 PACF 的截尾/拖尾情况，对照上面那张表确定 p 和 q。比如差分后 ACF 第 1 阶很大、第 2 阶骤然不显著，而 PACF 缓慢衰减，那很可能适合 MA(1)，也就是 ARIMA(0,1,1)。 第四步，如果数据有明显季节性，再考虑季节差分和季节项。月度数据周期填 12，季度数据填 4。

手动建模有一个比较麻烦的地方：你可能会在几个候选模型之间纠结。这时候可以建几个模型，然后对比“正态化 BIC”和“平稳 R 方”，选一个拟合更好、残差更干净的。

4.4 手动模型也需要诊断

模型跑完以后，不要以为参数显著就结束了。SPSS 会输出残差的自相关函数和偏自相关函数，还会给出 Ljung-Box Q 检验结果。这一步核心是看残差是不是“白噪声”，也就是残差序列里不应该再含有可提取的自相关。

判断标准很简单：Ljung-Box Q 检验的显著性 P 值大于 0.05，说明残差已经是白噪声，模型可以接受；如果 P 值很小，说明残差里还有模式没被抽干净，要么 p、q 没定对，要么季节性没处理好。SPSS 的专家建模器内部也会自动执行这一步，但手动建模时必须自己盯。

整个手动建 ARIMA 的流程可以总结成一个闭环：识别阶数 → 估计参数 → 残差诊断 → 不满意再回到第一步。这个过程看起来多，但熟练之后很快，而且你对数据的理解会远超直接点一个“专家建模器”按钮。

5. 案例拆解：门店月销售额的时间序列建模与预测全流程

5.1 数据和背景

为了把前面讲的步骤串起来，我模拟一个门店的月度销售额案例。假设数据从 2018 年 1 月到 2023 年 12 月，共 72 个月，单位是万元。数据的基本特征：整体有缓慢上升趋势，每年 11 月、12 月因为促销冲高，2 月因为春节回落。目标是预测 2024 年全年 12 个月的销售额。

这个数据形态非常典型：既有趋势，又有周期，还带一点噪声。适合演示指数平滑或 ARIMA 的季节建模。

5.2 完整操作链路

第一步，整理数据。把原始数据导入 SPSS，确保每个月的销售额一行。日期列有年份和月份。

第二步，定义日期。点击【数据 > 定义日期和时间】，选择“年、月”，起始个案设为 2018 年 1 月。完成后生成 YEAR_、MONTH_、DATE_ 三个变量。

第三步，画序列图。用【图形 > 时间序列 > 序列图】查看销售额走势。这时应该能看到明显的上升趋势和以年为周期的波动。

第四步，跑专家建模器。在【分析 > 预测 > 创建模型】里，销售额选入因变量，方法选“专家建模器”，统计量勾选稳定 R 方、R 方、RMSE、MAPE、正态化 BIC、Ljung-Box Q，图勾选序列图，保存勾选预测值和置信区间，选项里预测期数填 12。

第五步，手动建模做对比。如果专家建模器给了 ARIMA(0,1,1)(0,1,1)，我通常会手动指定同样的模型再跑一遍，看两个模型的拟合指标是否接近，顺便确认参数表里的系数是否合理。

5.3 模型输出结果示例

假设最终跑出来的模型类型是 ARIMA(0,1,1)(0,1,1)，模型拟合统计量如下表。注意这组数字是我为了说明问题构造的示例，不是某个真实门店的数据。

这个结果里，稳定 R 方 0.74 说明差分后的模型能解释大部分非平稳波动；MAPE 4.8% 对销售预测来说精度不错；Ljung-Box Q 检验的显著性 0.65，远大于 0.05，说明残差没有明显的自相关，模型诊断通过。

导出预测结果后，可以得到未来 12 个月的预测值和 95% 置信区间，格式类似：

到这里，一个完整的 SPSS 时间序列预测项目就算跑通了。从原始数据到拿到预测值，熟练以后整个过程不超过十分钟。

5.4 预测图怎么导出

结果窗口里的预测图，可以直接右键导出为图片，也可以先复制到粘贴板再贴到报告里。如果想自己重新排版，用【图形 > 时间序列 > 序列图】，把历史销售额和预测值同时放进去，再补上置信区间，生成更符合自己需要的图。有一点要注意：SPSS 自动生成的预测图通常会把历史期和预测期放在同一个横轴上，如果你只需要未来部分，可以在图表编辑窗口里调整坐标轴范围。

6. 结果解读：SPSS 输出表里真正值得盯的指标

6.1 模型描述表：确认软件替你选了啥

第一次跑出结果时，先看“模型描述”表，确认模型类型。比如看到 ARIMA(0,1,1)(0,1,1)，要能翻译成业务语言：模型对数据做了一阶差分，抵消了长期趋势；再做一阶季节差分，消除了 12 个月的周期循环；最后用移动平均项处理随机波动。如果这步看不懂，后面所有参数表都很难读明白。

6.2 拟合优度和误差指标怎么权衡

SPSS 输出里会同时给出 R 方、稳定 R 方、RMSE、MAPE、MAE、正态化 BIC、Ljung-Box Q 等一堆统计量。真正值得关注的排序，我个人是这样：

• 稳定 R 方：优先看。它是基于差分后的序列计算的，去掉了趋势和季节成分的影响，更能反映模型对非平稳信息的捕捉能力。
• RMSE 和 MAPE：看误差大小。MAPE 是百分比误差，跨数据集相对容易理解。如果 MAPE 超过 15%，预测精度一般；如果低于 5%，通常说明模型拟合得不错。
• 正态化 BIC：用于不同模型之间的比较，越小越好。它没有绝对的“好”或“坏”临界值，别单独拿出来说。
• R 方：在时间序列里最容易误导人。因为原始序列本身有强烈趋势时，R 方天然会很高，哪怕预测方向完全错误，R 方也可能在 0.9 以上。所以看一眼就行，别把它当作主要依据。

6.3 参数表里看哪些问题

模型参数表会列出常数项、AR/MA 项系数、标准误、t 值和显著性。我一般会看三点。

第一，每个参数是否显著。比如 MA(1) 系数的显著性小于 0.05，说明这项确实对解释序列有帮助。第二，系数的绝对值是否接近边界。如果 MA 项的系数接近 0.99 或 -0.99，有可能是过度差分或者模型存在冗余。第三，常数项在差分模型里的含义和普通回归不一样。差分后的常数项代表“漂移项”，也就是每期平均增加的量，不要直接解释成截距。

6.4 预测置信区间为什么会快速变宽

SPSS 默认输出 95% 置信区间，也就是预测表里的 LCL 和 UCL。预测期越往后，区间越宽，这是正常现象，因为不确定性会随预测步数增加而累积。有些初学者看到第 12 个月的区间宽得离谱，以为是模型出错了，其实并不是。如果区间宽到完全失去参考价值，说明数据本身的确定性低，或者模型对信号的提取不充分，这时可以从业务角度决定要不要缩短预测长度或改用更保守的模型。

7. 常见坑与排查：我从实际项目里总结的七条经验

7.1 日期没定义好，季节分析全是空

症状：专家建模器给出的模型没有任何季节项，即使盯一眼序列图明明有规律性的年末冲高。 排查：去【数据 > 定义日期和时间】看起始日期是否对上，周期是否和真实数据一致。如果数据是月度数据，定义时却选了“年”，SPSS 就完全不知道有月度循环，自然不可能输出季节模型。定义日期之后，打开数据表确认自动生成的 YEAR_、MONTH_ 是从正确起点开始的，这一步值得花十秒钟。

7.2 缺失月份直接留空，模型结果乱跳

症状：ACF/PACF 图上出现奇怪的滞后相关性，预测值突然出现不规律的尖峰。 排查：检查时间轴上是否有缺失的周期节点。比如数据里 5 月之后直接跳到 7 月，6 月没了，SPSS 会把 7 月当成 5 月的下一期，导致所有滞后关系错位。处理办法是先用【转换 > 替换缺失值】，选择“线性插值”，把时间轴补齐。如果缺失值集中在末尾，则要特别注意模型会不会把缺失当趋势外推，最好先说明数据收集中断的原因再决定怎么补。

7.3 过度依赖专家建模器

症状：模型各项统计指标都很好，但预测方向明显不符合实际情况。 排查：专家建模器选择模型靠的是统计准则，不依赖业务经验。比如历史数据里每年 12 月有大促，模型很可能把 12 月的冲高当作固定季节效应，即使明年不准备搞同样力度的大促，它也会照常预测出一个高值。这时候就得靠人来判断：要么手动指定模型，要么在“创建模型”对话框中加入未来的营销变量作为自变量，或者直接手动调整预测结果。统计准则永远替代不了对业务背景的理解。

7.4 差分次数过多导致预测剧烈震荡

症状：差分后的序列出现明显的负自相关，预测结果上下剧烈跳动，模型参数里 MA 项系数接近 -0.99。 排查：一般数据最多做一阶差分就够了，除非确实有明显的二阶趋势。如果一阶差分之后序列仍不平稳，优先尝试对数变换，而不是继续加大差分次数。反复差分会把数据里的随机波动放大，造成过度差分，结果就是模型在训练集里拟合得不错，预测却非常不稳定。

7.5 预测周期和预期不符

症状：设置了预测 12 期，结果只出来 8 行，或者多出来 15 行。 排查：先看数据末尾最后一个日期是什么时候。如果数据实际只到 2023 年 12 月，但在定义日期时把最后一个日期定义成了 2024 年 4 月，模型会在那些“将来的日期”位置上填入预测值，导致行数对不上。另一种情况是数据中间缺月，SPSS 会按日期变量补全，输出和你预期不一样。遇到这类问题，检查“选项”里是否勾选了“在最后一个个案之后指定预测周期”，还是勾了“指定为日期”。

7.6 预测结果出现不可能出现的数值

症状：销售额预测出来是负数，库存量预测超过仓库容量，百分比预测大于 100。 排查：SPSS 的时间序列模型本身不做范围限制，它只会按统计规律外推。如果业务指标不允许出现负值，一种常用做法是先对目标变量取对数，建立模型并预测，再把预测结果用 EXP 函数反变换回来。注意这种还原会有一点系统性偏差，严谨一点可以在反变换后乘以 exp(MSE/2) 做修正，但这个细节在业务汇报中往往可以按需简化。

7.7 数据量不足，却非要识别季节模型

症状：只有 12 个月的数据，却希望模型把“季节性”找出来，结果季节项根本不显著。 排查：时间序列分析中，季节模型需要看到至少两个完整周期，也就是月度数据至少要有 24 个月、季度数据至少要 8 个季度，不然软件算出来的季节因子没有任何稳定性可言。少于这个量级时，别强行上季节 ARIMA，老老实实做指数平滑或者简单趋势模型，预测结果反而更靠谱。这个原则没人写在菜单里，但实际项目里非常常见。

最后分享一个我自己的处理习惯：跑正式模型之前，永远先花几分钟画一张序列图，再把最近半年的走势单独拉出来看两遍。时间序列分析这件事，软件负责计算，但判断始终得靠自己。SPSS 把计算门槛降到了很低，能不能得出可信的预测，最终还是看你有没有把数据准备、模型诊断和业务直觉这三件事做扎实。