图1：打开序列，进行指数平滑分析
图2：系统自动给定平滑系数趋势
给定方法为选择使残差平方和最小的平滑系数，该例中平滑系数去0.53，超过0.5用一次平滑效果不太好
图3：平滑前后序列曲线图 图4：用二次平滑修匀原序列
可以看出，平滑系数为0.134，平均差为4.067708，修匀或者趋势预测效果不错。
图5：二次平滑效果图
例4：对于有明显线性趋势的序列，我们可以采用Holt两参数法进行指数平滑
对北京市1978-2000年报纸发行量序列进行Holt两参
数指数平滑
图1：报纸发行量的曲线图
图2：Holt两参数指数平滑（指定平滑系数） 图3：预测效果检验
图4：系统自动给定平滑系数时平滑效果 图5：原序列与预测序列曲线图 （其中FXSM为自己给定系数时的平滑值，FXSM2为系统给定系数时的平滑值）
二、季节效应分析
许多序列有季节效应，比如：气温、商品零售额、某景点旅游人数等都会呈现明显的季节变动规律。
例5：以北京市1995-2000年月平均气温序列为例，介绍季节效应分析操作。
图1：建立月度数据新工作表
图2：新工作表中添加数据
图3：五年的月度气温数据
图4：进行季节调整（移动平均法）
图5：移动平均季节加法
图6：12个月的加法调整因子
图7：打开三个序列（季节调整序列、原序列、调整后序列）
图8：三个序列（季节调整序列、原序列、调整后序列）取值
图9：三个序列（季节调整序列、原序列、调整后序列）
曲线图
另外季节调整还可以用X11，X12等方法进行调整。
三、综合分析
前面两部分介绍了单独测度长期趋势和季节效应的分析方法，这里介绍既有长期趋势又有季节效应的复杂序列的分析方法。
附录1.11 对1993——2000年中国社会消费品零售总额序列进行确定性分析
图1：绘制1993——2000年中国社会消费品零售总额时序图 可以看出序列中既有长期趋势又有季节波动 图2：进行季节调整 图3：12个月的季节因子 图4：经季节调整后的序列SSA 图5：对经季节调整后序列进行趋势拟合 图6：趋势拟合序列SSAF与序列SSA的时序图 图7：扩展时间区间后预测长期趋势值SSAF 图8：经季节调整预测2001年12个月的零售总额值 图9：预测2001年12个月的零售总额值 图10：预测序列与原序列的时序图
第五章 非平稳序列的随机分析
非平稳序列的确定性分析原理简单操作方便易于解释，但是只提取确定性信息，对随机信息浪费严重；且各因素之间确切的作用关系没有明确有效的判断方法。随机分析方法的发展弥补了这些不足，为人们提供更加丰富、更加精确的时序分析工具。
对非平稳时间序列的分析，要先提取确定性信息再研究随机信息。
一、差分法提取确定性信息
确定性信息的提取方法有第四章学习的趋势拟合、指数平滑、季节指数、季节多元回归等，本章主要介绍差分法提取确定性信息。
差分实质：自回归 差分方式：对线性趋势序列进行1阶差分、对曲线趋势序列进行低阶差分、
对固定周期序列进行周期差分
附录1.2 线性趋势：对产出序列进行一阶差分
详细分析过程如下： 图1：导入数据
图2：绘制线性图，观察序列的特征 观察发现序列具有较明显的线性趋势 图3：进行一阶差分运算 图4：一阶差分运算公式 图5：一阶差分序列
图6：一阶差分曲线图
观察一阶差分序列均值方差稳定，进一步进行平稳性分析。 图7：绘制一阶差分序列的相关图
图8：自相关图均不显著，Q统计量不显著
因此，差分后序列问白噪声序列，一阶差分将序列的信息提取充分。
附录1.12 曲线序列：北京市民用车拥有量序列差分分析 图1：导入数据
图2：绘制原序列曲线图
可以看出，1950年到1999年北京市居民民用车拥有量序列具有曲线趋势，现用低阶差分法提取确定性信息。
图3：绘制一阶差分序列的曲线图 图4：一阶差分序列曲线图
可以看出一阶差分序列仍然具有趋势，继续进行差分分析；二阶差分的命令的D(QC,2)，低阶差分的命令为D(QC,K)。 图5：对原序列进行二阶差分 图6：二阶差分序列曲线图
从二阶差分序列曲线图可以看出二阶差分序列中没有中长期趋势，二阶差分提取了长期趋势。
图7：自相关分析
图8：对序列的二阶差分序列进行自相关分析
图9：二阶差分序列相关图
可以看出二阶差分序列具有短期相关性的特征，无确定性信息，为平稳序列。
附录1.13 固定周期序列：奶牛月产奶量序列差分分析 图1：导入数据（月度数据） 图2：绘制序列曲线图
可以看出本序列既有长期趋势又有周期性因素，因此我们首先进行一阶差分提取趋势特征，再进行12步周期差分提取周期信息。 图3：一阶差分序列曲线图
可以看出序列不再具有趋势特征，一阶差分提取了线性趋势 图4：对序列进行一阶差分
图5：对一阶差分序列进行12步周期差分
图6：绘制周期差分后序列