1、时间序列分析的简要介绍
2、首先进行数据预锟侯希哇处理，对于缺失值不可直接删除，要做进一步的补充，【转换】--【替换缺失值】，可以有多种选择来替换缺失值。给每条案例建立时间，【数据】--【定义日期】
3、引入案例！
4、做图形观察，【分析】--【预测】--【序列图】
5、然后再创建时间序列！前后相邻两个数值之差
6、如果上升速度一致的话，那么nrc-1的墙绅褡孛数值图应该是较平的！对nrc-1作图分析，结果可以看出：虽然没有上升和下跌的趋势了，还是具有周期性，接着进行季节差分！观察季节性差分的分布状况
7、可以做图分析！
8、这个方法与刚才的两步操作结果完全一致
9、时间序列模型简介！接着进行自相关分析，【分析】--【预测】--【自相关】。H0：不相关P值均小于0.05说明这个序列不是白噪声这些数据间是有关联性的是有自相关的
10、把这个结果绘制成图形直条高低代表自相关系数的大小，横轴1-16代表自相关的阶数上下线之间的为不具有统计学意义的
11、去除自相关系数的关联性传递性之后，用偏自相关系数考察剩余的相关性是否还存在
12、时间序列趋势的图形化观察
13、AR自回归模型
14、【分析】--【预测】--【创建模型】并进行相关参数的设置
15、得到结果：平稳的R方：决定系数，现有模型所能够解释的原变量的多少变异（较客观）。R方：原数据去掉季节趋势，波动趋势，周期趋势之后的变异解释度（偏高）。RMSE：残差均菱诎逭幂方。MAPE：平均相对误差。MAXApe：最大的相对百分比误差。MAE：平均实测误差。MAXAE：最大的绝对误差H0未被拒绝。H0:当前的模型剩下来的这一块是否被看成是白噪声序列。
16、模型已经建立出来未被使用，接下来进行预测！
17、观察原始序列和预测值的状况
18、预测未来
