对于时间序列模型的估计尤其是ARIMA模型和预测，建议使用eviews软件，是专门关于时间序列建模的

完成一个时间序列ARIMA的预测一般分为以下几个步骤，平稳性判断，平稳化处理，模型的建立，参数估计与诊断，利用模型进行预测。在SPSS中，我们主要按下面流程来完成。 1.在SPSS中输入原始序列后，首先定义日期，也就是确定个案的起始日期。2.平稳定判断。日期定义后，绘制原始序列的序列图，从序列图可以粗略来观察平稳性，如果有明显的趋势性的序列图就是不平稳的，围绕某个值上下的序列图是相对平稳的。为了进一步判断，我们可以绘制自相关图和偏自相关图。平稳序列的自相关图和偏自相关图不是截尾就是拖尾，截尾就是在某一阶之后的值都在0左右波动，拖尾就是有一个向0衰减的趋势但是不为0.一般呈现单调趋势的序列的自相关图会呈现三角对称的形式，这是典型的不平稳的形式。 3.平稳化处理。在SPSS中我们可以对原始序列进行差分处理来使序列平稳化，我们可以从一阶差分开始，每次差分都绘制序列图与自相关图，直到序列平稳为止。 4.序列平稳后，就要开始模型的建立。ARIMA模型有三个参数（非季节性），p是自回归阶数，d是差分项阶数，q是移动平均的阶数。举例说明下，p=2时，说明用序列中过去两个阶段的值来预测当前值，q=2时，说明在预测序列当前值的时候考虑上两个时段的每个时段中的序列的平均值的偏差。对于p,q的选择，一般是如果4阶后自相关值都在置信区间内，q值就选为4,3阶后偏自相关值都在置信区间内的话，p值就选为3.当然根据ACF和PACF选择主观性比较强，而计算AIC值的话因为我没找在时间序列里面怎么输出残差所以也没法计算，我一般是在选定的p,q值的左右各选一些

赞！～～～