时间序列也称动态序列。指标数值按照时间顺序排列而成的数值序列。分三部分：描述过去，分析规律、预测未来。时间序列分析中常用的三种模型：季节分解、指数 平滑方法和ARIMA模型。
时期数据可加，时点数据不可加。（灰色预测模型里有累加过程）
时间序列数值变化有四种：长期趋势（T）、季节趋势（S）、周期变动趋势（C）、不规则变动（I，也称扰动项，建立模型中称为白噪声）。
时间序列的分解：时间序列的分解结果，就是上述四种，分解结果可能是其一、其二等。
（1
）如果四种变动之间是相互独立的关系，那么叠加模型可以表示为：
Y = T + S + C + I
（2
）如果四种变动之间存在相互影响关系，那么应该使用乘积模型：
Y = T * S * C * I
在具体的时间序列图上，如果随着时间的推移，序列的 季节波动变得越来越大，则反映各种变动之间的关系发生变化， 建议使用乘积模型；反之，如果时间序列图的波动保持恒定， 则可以直接使用叠加模型；当然，如果不存在季节波动，则两种分解均可以。
使用Spss对时间序列进行分解：
（1）处理缺失值：若在开头或者尾部，直接删除，中间位置，采用替换缺失值方法。
第一步：导入数据，选择文件——>导入数据——>Excel。
选择你存储在对应路径下的数据。实现数据导入。
第二步：选择转换——>替换缺失值——>将其中有缺失值的数值
根据自己所需，选择对应的插值方法。
序列平均值：用整个序列的平均数代替缺失值。
临近点的平均值：用相邻若干个点的平均 数来替换缺失值（默认为两个点）
临近点的中位数：用相邻若干个点的中位 数来替换缺失值（默认 为两个点）
线性插值：用相邻两个点的平均数 来替换缺失值。
邻近点的线性趋势：将时期数作为x，时间序列值作为y进行回归，求缺失点的预测值。
Spss软件定义时间变量：
第一步：选择数据——>定义日期和时间。
选择所需要的格式，设置起始时间，生成时间变量。
如何使用Spss做时间序列图（时序图）：
第一步：选择分析——>时间序列预测——>序列图。
第二步：将插值后的完整序列做y轴，时间轴选作时间变量。
统计的结果如下：
