确定和设置周期性
"季节性分解" 过程要求活动数据集中存在周期性日期组件，例如，每年周期为 12 (月) ，每周周期为 7 (天) 等。 先绘制你的时间序列是个好主意，因为查看一个时间序列图往往会导致对底层周期性的合理猜测。
获得一段时间内男装销售的剧情:
- 从菜单中选择：
图 1。 "序列图" 对话框 
- 选择 男装销售 ，并将其移至 "变量" 列表中。
- 选择 日期 并将其移至 "时间轴标签" 列表中。
- 单击确定。
图 2。 男装销售 (以 U.S美元计) 
该系列展现出多个峰，但它们似乎并不是等间距的。 这一输出表明，如果序列有周期性成分，它也有非周期性的波动 -- 实时序列的典型案例。 除了小规模的波动外，显着的峰值似乎相隔了几个月以上。 鉴于销售的季节性，在 12 月的假期期间典型的高点，时间序列可能具有年度周期性。 另请注意，季节性变化似乎随着上升序列趋势而增长，这表明季节性变化可能与序列的水平成正比，这意味着一个乘法模型而不是一个加法模型。
检查时间序列的自相关和部分自相关提供了关于底层周期性的更定量的结论。
- 从菜单中选择：
图 3。 "自相关" 对话框 
- 选择 男装销售 ，并将其移至 "变量" 列表中。
- 单击确定。
图 4： 男性自相关图 
自相关函数在具有长指数尾的 1 延迟处显示显着峰值-这是时间序列的典型模式。 滞后 12 的显着峰值表明数据中存在年度季节性成分。 对部分自相关函数的检验将允许更明确的结论。
图 5。 男性的偏自相关图 
部分自相关函数中延迟 12 的显着峰值证实数据中存在年度季节性成分。
要设置年度周期性，请执行以下操作:
- 从菜单中选择：
图 6。 "定义日期" 对话框 
- 在 "个案为" 列表中选择 年，月 。
- 输入 1989 表示年份，输入 1 表示月份。
- 单击确定。
这会将周期性设置为 12 ，并创建一组用于处理 "预测" 过程的日期变量。