这样的动态数据在自然、经济及社会等领域都是很常见的。
时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。
它一般采用曲线拟合和参数估计方法（如非线性最小二乘法）进行。
时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。
1.3实验案例
1.3.1主导产业分析
例1：
下表是北京市2003～2005年各行业生产总值，试分析确定北京市的现有经济职能。
表格1：
北京市2003-2005各行业生产值
单位：
亿元
2005
2004
2003
工业
1707.0
1554.7
1032.03
建筑业
319.5
298.9
279.83
交通运输、仓储和邮政业
404.7
356.8
132.99
信息传输、计算机服务和软件业
583.2
449.7
285.44
批发和零售业
654.1
587.7
248.86
住宿和餐饮业
182.8
163.3
69.73
金融业
836.6
713.8
537.32
房地产业
455.3
436.1
190.55
租赁和商务服务业
346.8
276.6
126.45
科学研究、技术服务和地质勘察业
341.8
276.5
200.11
水利、环境和公共设施管理业
40.1
34.6
24.72
居民服务和其他服务业
84.5
79.6
38.45
教育
315.2
286.3
151.89
卫生、社会保障和社会福利业
116.2
105.9
58.79
文化、体育和娱乐业
171.3
142.7
91.12
公共管理和社会组织
229.2
201.6
96.52
人均地区生产总值（元）
45444
41099
32061
Step1：
数据输入
数据输入可分为为手工输入和自动输入，这里介绍自动输入，
打开spssforwindows软件，点击file打开下拉菜单，选择open→date；
选择文件类型下列列表中excel栏，打开相关表格。
图表1：
打开现有excel表格
图表2：
选择excel文件类型
Step2：
数据处理
选择analyze→descriptivestatistics→descriptives…，进行数据标准化处理（主成分分析已经进行了标准化处理，这里做标准化处理是为了在进行文本表述时之用）
将需要标准化处理的数据选择入variables…，同时在是否数据储存中打√，处理后标准化结果在表栏中以Z开头；
选择analyze→datereduction→factor，进行主成分分析，在factoranalysis中进行设置；
在descriptives…中进行设置（如图表8），进行scores设置（如图表9）进行rotation设置（如图表10），点击ok。
图表3：
选择标准化处理
图表4：
设置标准化处理
图表5：
标准化结果
图表6：
选择factor
图表7：
打开factoranalysis设置框
图表8：
进行descriptives…设置
图表9：
进行rotation设置
图表10：
进行scores设置
Step3数据分析
在output中，在correlationmatrix（相关矩阵）栏中，可分析各产业的关联性（见图表11）；
在totalvarianceexplained（总变异分析）栏中，可判断主成分分析水平（见图表12），cumulative（累计贡献率）大于85%，total（所有特征值）大于1；3在componentmatrix栏中分析对于北京市经济发展中重要性（见图表13）。
图表11：
correlationmatrix结果
图表12：
totalvarianceexplained结果
图表13：
componentmatrix结果
Step4分析结论
结合图表11和图表13可知，北京市经济的综合性比较强，其中工业、交通运输业、批发零售业、住宿餐饮业、公建事业、商务服务业、文化体育、公共管理和社会组织（0.995为下限）影响显著，由此可知，北京在现状经济职能上是工业、商业、文教、公共管理业为主。
1.3.2人口规模的预测
例2：
下表是我国1989-2004年我国城镇人口，试预测2010年和2020年我国城镇人口数量。
表格2：
1989-2004我国城镇人口
单位：
万人
年份
城镇总人口
1989
29540
1990
30195
1991
31203
1992
32175
1993
33173
1994
34169
1995
35174
1996
37304
1997
39449
1998
41608
1999
43748
2000
45906
2001
48064
2002
50212
2003
52376
2004
54283
1.3.2.1指数增长法
Y——预测年人口数量
X——基准年人口数量
m1——年平均自然增长率
m2——年平均机械增长率
n——预测年数（预测年-当前年）
Step1数据录入EXCEL
Step2数据处理
计算年平均增长率，以1990年为例，其公式如下图14，然后复制C3至C4到C17，接着选择C3-C18进行求和，如下图15，而后选择C19，进行公式处理（C18/15），得出年平均增长率为0.039694962。
图表18
图表19
预测人口数量，选择D19，公式编辑如下图16，按回车，计算出2010年人口数68564.526万人；同理，计算2020年人口数，101194.96万人
图表20
1.3.2.2自回归综合移动平均法[SPSS16取消了arima分析，本实验内容相应作业取消]
同上例
Step1：
数据输入与定义
输入数据，定义变量。
打开date菜单中的definedates对话框，定时时间序列周期，如下图17。
图表21：
定义时间序列周期
Step2：
数据处理
按analyze→timesseries→ARIMA顺序展开对话框，将城镇人口作为因变量并将其移动到dependent，在method中输入相应的p[自回归参数的阶数，必须大于或等于零的整数]、d[平稳时间序列的差分次数，必须取大于或等于零的整数]、q[移动平均的阶数，必须取大于或等于零的整数]值，一般而言，p、q、d值均输入1。
单击save按钮展开对话框，其操作参见下图18，将预测人口年选择在2010年。
图表22：
输入预测年
单击options，展开options选项。
在convergencecriteria[收敛标准]中进行调整，在maximumiterations[迭代次数]参数中框中输入30。
在display栏中选择finalparamentersonly，其操作见下图19。
图表23：
选择参数对话框
返回到ARIMA选框，单击OK，进行运算。
Step3：
数据分析
在dateview栏中，fit为校正预测值，err为误差值，lcl为预测下限，ucl为预测上限，sep为标准工程惯例。
其中fit中2010年的值即为预测值，64621.5133万人。
同理预测2020年人口为80134.6020万人。
1.4实验作业
1.4.1主成分分析方法的应用
1、表3是上海市2001至2005年份主要生产总值，试运用spss软件，分析上海市的主要经济职能。
表格3：
上海市主要产业生产总值（按三次产业分）
单位:
亿元
2001
2002
2003
2004
2005
工业
2121.19
2312.77
2865.85
3593.25
4129.52
建筑业
234.34
251.92
264.87
298.87
323.4
交通运输、仓储和邮政业
274.36
294.07
306.69
493.6
582.6
交通运输业
242.89
258.56
272.58
440.68
516.18
仓储业
16.99
17.54
17.66
34.87
44.21
信息传输、计算机服务和软件业
159.24
194.1
228.47
303.84
359.21
批发和零售业
488.01
529.04
569.91
745
840.89
住宿和餐饮业
117.83
138.44
138.89
150.88
168.31
金融业
619.99
584.67
624.74
612.45
675.12
房地产业
316.85
373.63
463.93
666.3
676.12
租赁和商务服务业
63.68
78.17
82.72
253.29
292.19
科学研究、技术服务和地质勘查业
64.01
70.56
74.32
171.81
212.91
水利、环境和公共设施管理业
37.88
49.38
50.64
52.47
53.38
居民服务和其他服务业
45.16
59.06
61.88
73.9
82.81
教育
123.11
144.71
161.22
227.15
269.64
卫生、社会保障和社会福利业
63.96
78.97
93.17
124.69
144.63
文化、体育和娱乐
52.82
66.67
72.49
64.57
77.6
公共管理和社会组织
82.91
94.36
98.04
157.31
185.51
2、表4是我国2000年居民生活消费状况，试采用主成分分析法，说明我国居民消费的特征。
表格4：
2000中国居民生活消费状况
食品
衣着
家庭设备用品及服务
医疗保健和个人用品
交通和通信
娱乐教育文化
居住
北京
101.5
100.4
97
98.7
100.8
114.2
104.2
天津
100.8
93.5
95.9
100.7
106.7
104.3
106.4
河北
100.8
97.4
98.2
98.2
99.5
103.6
102.4
山西
99.4
96
98.2
97.8
99.1
98.3
104.3
内蒙古
101.8
97.7
99
98.1
98.4
102
103.7
辽宁
101.8
96.8
96.4
92.7
99.6
101.3
103.4
吉林
101.3
98.2
99.4
103.7
98.7
101.4
105.3
黑龙江
101.9
100
98.4
96.9
102.7
100.3
102.3
上海
100.3
98.9
97.2
97.4
98.1
102.1
102.3
江苏
99.3
97.7
97.6
101.1
96.8
110.1
100.4
浙江
98.7
98.4
97
99.6
95.6
107.2
99.8
安徽
99.7
97.7
98
99.3
97.3
104.1
102.7
福建
97.6
96.5
97.6
102.5
97.2
100.6
99.9
江西
98
98.4
97.1
100.5
101.4
103
99.9
山东
101.1
98.6
98.7
102.4
96.9
108.2
101.7
河南
100.4
98.6
98
100.7
99.4
102.4
103.3
湖北
99.3
96.9
94
98.1
99.7
109.7
99.2
湖南
98.6
97.4
96.4
99.8
97.4
102.1
100
广东
98.2
98.2
99.4
99.3
99.7
101.5
99.9
广西
98.5
96.3
97
97.7
98.7
112.6
100.4
海南
98.4
99.2
98.1
100.2
98
98.2
97.8
重庆
99.2
97.4
95.7
98.9
102.4
114.8
102.6
四川
101.3
97.9
99.2
98.8
105.4
111.9
99.9
贵州
98.5
97.8
94.6
102.4
107
115
99.5
云南
98.3
96.3
98.5
106.2
92.5
98.6
101.6
西藏
99.3
101.1
99.4
100.1
103.6
98.7
101.3
陕西
99.2
97.3
96.2
99.7
98.2
112.6
100.5
甘肃
100
99.9
98.2
98.3
103.6
123.2
102.8
青海
102.2
99.4
96.2
98.6
102.4
115.3
101.2
宁夏
100.1
98.7
97.4
99.8
100.6
112.4
102.5
新疆
104.3
98.7
100.2
116.1
105.2
101.6
102.6
1.4.2人口规模的预测应用
1、表5是上海市1978～2005年人口状况，试分析和预测上海市2010年，2020年户籍人口和非农业人口的规模。
[要求采用自回归综合移动平均法，指数增长法两种方法进行综合预测]
表格5：
上海市1978-2005年人口状况
年份
总户数（万户）
年末户籍人口（万人）
按性别分
按农业非农业分
男
女
农业
非农业
1978
291.69
1098.28
542.7
555.58
453.05
645.23
1979
296.71
1132.14
560.4
571.74
444.76
687.38
1980
303.87
1146.52
569.3
577.22
444.09
702.43
1981
314.56
1162.84
578.76
584.08
447.76
715.08
1982
321.71
1180.51
588.82
591.69
449.2
731.31
1983
330.6
1194.01
596.67
597.34
448.15
745.86
1984
340.78
1204.78
602.59
602.19
444.03
760.75
1985
351.72
1216.69
609.7
606.99
440.32
776.37
1986
364.92
1232.33
618.88
613.45
429.77
802.56
1987
380.19
1249.51
628.78
620.73
427.2
822.31
1988
394.95
1262.42
635.82
626.6
423.49
838.93
1989
406.82
1276.45
643.51
632.94
420.61
855.84
1990
415.28
1283.35
647.13
636.22
418.89
864.46
1991
425.84
1287.2
649.03
638.17
417.32
869.88
1992
431.67
1289.37
649.97
639.4
413.82
875.55
1993
438.69
1294.74
652.92
641.82
401.28
893.46
1994
444.38
1298.81
655.14
643.67
388.32
910.49
1995
450.76
1301.37
656.48
644.89
379.67
921.7
1996
457.49
1304.43
657.86
646.57
372.29
932.14
1997
461.4
1305.46
657.93
647.53
362.43
943.03
1998
465.72
1306.58
658.22
648.36
352.93
953.65
1999
470.11
1313.12
661.19
651.93
343.49
969.63
2000
475.73
1321.63
665.51
656.12
335.47
986.16
2001
478.92
1327.14
668.32
658.82
328.07
999.07
2002
481.77
1334.23
672.05
662.18
315.42
1018.81
2003
486.06
1341.77
675.47
666.3
300.38
1041.39
2004
490.58
1352.39
680.38
672.01
254.79
1097.6
2005
496.69
1360.26
683.51
676.75
211.32
1148.94
升级会员 