数据准备
数据随机分组
现将数据导入到SPSS。
选择计算变量，生成随机数，用来作为数据分组的依据。
新的随机数字段
对数据进行分组排序
训练集与检验集分离
总数据804条，这里对数据进行随机打散排序后，将其中的前一半（402条）作为训练集，后一半（402条）作为检验集。
新增一列计算变量Price_LOG_train（即复制已有的列Price_Log），删除该列中从第403条到最后的数值，这样就产生了检验集数据。
线性回归
最优子集回归
做最优子集回归的目的是要确定哪些自变量是对因变量”有用”的，以便在后面做进一步回归时选择这些“最优”的变量。
选型因变量和要评估的自变量
使用最优子集作为建模方法，点击运行按钮。
从结果中可以看到刚才挑选的自变量对因变量的重要性。
还可以查看各个自变量系数的显著性和重要性。
从最终的模型构建结果可以看到，基于当前的准则，哪些自变量属于最优变量（最优子集）。
逐步回归
选择工具栏中的分析 -> 线性回归
确定因变量和自变量，选择逐步作为回归方法。
设置统计量，可勾选置信区间、D-W、部分相关和偏相关性等选项。
运行模型，从模型汇总结果可以看到每一步的R方（一般看最后一个即可）。
ANOVA表
相关系数表
在参数配置时如果勾选了保存 -> 预测值(未标准化)选项，在结果中就会自动生成一列预测值，这样就起到了预测的效果。
计算误差
将预测结果保存成excel文件，以便在excel中方便地完成误差计算。
在excel中，我们主要最关心的就是真实值与预测值之间的误差，即Price_LOG与PRE_1
这两列。
第2-403行数据预测值是我们的模型拟合出来的，删除即可。从第404行开始，是我们真正的预测值。
相对误差
相对误差平均值（MAPE）
均方根误差（RMSE）
逻辑回归
训练集和测试集数据分离
总数据700条，将前600条作为训练集，最后100条作为测试集。新建一个计算变量default_model，值从default列中复制。并将最后100条数据删除。
逻辑回归预测
选择分析 -> 回归 -> 二元Logistic进行回归预测
确定因变量和自变量
勾选保存选项中的概率和组成员，以便在最终的预测值中体现这两项数值。
在选项配置中，勾选H-L拟合度，也可以选择只显示最后一步输出，并设置分类标准值（分类依据的阈值，默认0.5）。
结果分析
总共700条数据，其中600条是训练数据，100条预测数据。
模型汇总
分类表，可重点关注最后一行，可以看到对于600条拟合数据，预测总体的准确率为81.5
从数据结果中可以看到，新生成了两列数据。PRE_1为预测的概率，PGR_1
为预测分组。
可以对100条预测数据的结果进行分析
先将前600条数据排除
分析 -> 描述统计 -> 交叉表
季节分解和指数平滑法
数据准备
在SPSS中导入社会消费品零售总额数据文件。
做时间序列第一步，定义日期。
根据数据实际情况设置日期参数
生成的数据结构如下
季节性分解
ERR_1: 不规则项SAS_1: 季节性调整项（去掉季节项后的项）SAF_1: 季节项STC_1: 趋势 + 周期
要想画图，还需要增加一个x轴。
选择趋势 + 周期（第4项）生成图形
选择季节项（第3项）生成图形
指数平滑法
用指数平滑法进行预测
这里选择指数平滑法作为预测方法。如果选择专家建模器，SPSS会自动从指数平滑法和ARIMA里选择最优的。
根据需要选择模型类型
勾选拟合值选项
勾选预测值选项
最关键的是选项参数，输入要预测的时间。
结果如图所示
预测值
可以调整模型类型，如：选择Winters加法模型
