时间序列也称动态序列，是指将某种现象的指标数值按照时间顺序排列而成的数值序列。时间序列分析大致可分成三大部分，分别是描述过去、分析规律和预测未来。
时间序列
时间序列也称动态序列，是指将某种现象的指标数值按照时间顺序排列而成的数值序列。
时间序列数据
对同一对象在不同时间连续观察所取得的数据。
时间序列组成要素
1、第一个要素是时间要素；年、季度、月、周、日、小时、分钟、秒。
2、第二个要素是数值要素。
时期时间序列和时点时间序列
时间序列根据时间和数值性质的不同，可以分为时期时间序列和时点时间序列。
时期序列中，数值要素反映现象在一定时期内发展的结果；如：中国历年来GDP的数据
时点序列中，数值要素反映现象在一定时点上的瞬间水平；如：从出生到现在的体重的数据（每年生日称一次)，在某地方每隔一小时测得的温度数据
时期序列可加，时点序列不可加。
时期序列中的观测值反映现象在一段时期内发展过程的总量，不同时期的观测值可以相加，相加结果表明现象在更长一段时间内的活动总量； 而时点序列中的观测值反映现象在某一瞬间上所达到的水平，不同时期的观测值不能相加，相加结果没有实际意义。
（灰色预测模型里面有一个累加的过程）
步骤
（1）处理数据的缺失值问题、生成时间变量并画出时间序列图；
（2）数据是否为季度数据或者月份数据（至少有两个完整的周期，即两年），如果是的话则要观察图形中是否存在季节性波动。
（3）根据时间序列图大致判断数据是否为平稳序列（数据围绕着均值上下波动，无趋势和季节性）
（4）打开Spss，分析‐‐时间序列预测—创建传统模型，看看Spss专家建模器得出的最优的模型类型。
（5）如果最后的结果是ARIMA(p,0,q)模型，那么我们就可以画出时间序列的样本ACF和PACF图形进行分析；如果得到的是ARIMA(p,1,q)模型，我们可以先对数据进行1阶差分后再用ACF和PACF图形分析；如果得到的结果与季节性相关，那么我们可以考虑使用时间序列分解。
