時間序列也稱動態序列，是指將某種現象的指標數值按照時間順序排列而成的數值序列。時間序列分析大致可分成三大部分，分別是描述過去、分析規律和預測未來，時間序列分析中常用的三種模型：季節分解、指數平滑方法和ARIMA模型，常用Spss軟件對時間序列數據進行建模。

1、時間序列數據

對同一對象在不同時間連續觀察所取得的數據。
例如：
（1）從出生到現在，你的體重的數據（每年生日稱一次)。
（2）中國曆年來GDP的數據。
（3）在某地方每隔一小時測得的溫度數據。

1、時間序列

時間序列也稱動態序列，是指將某種現象的指標數值按照時間順序排列而成的數值序列。時間序列由兩個組成要素構成： 1、第一個要素是時間要素；年、季度、月、周、日、小時、分鐘、秒2、第二個要素是數值要素。

時間序列根據時間和數值性質的不同，可以分爲時期時間序列和時點時間序列。時期序列中，數值要素反映現象在一定時期內發展的結果；時點序列中，數值要素反映現象在一定時點上的瞬間水平。

2、區分時期和時點時間序列

例如：
（1）從出生到現在，你的體重的數據（每年生日稱一次)。
（2）中國曆年來GDP的數據。
（3）在某地方每隔一小時測得的溫度數據。
（1）和（3）是時點時間序列；（2）是時期時間序列

時期序列可加，時點序列不可加。

時期序列中的觀測值反映現象在一段時期內發展過程的總量，不同時期的觀測值可以相加，相加結果表明現象在更長一段時間內的活動總量；而時點序列中的觀測值反映現象在某一瞬間上所達到的水平，不同時期的觀測值不能相加，相加結果沒有實際意義。（灰色預測模型裏面有一個累加的過程）

3、時間序列分解

因爲時間序列是某個指標數值長期變化的數值表現，所以時間序列數值變化背後必然蘊含着數值變換的規律性，這些規律性就是時間序列分析的切入點。
一般情況下，時間序列的數值變化規律有以下四種：

1、長期趨勢：T

長期趨勢(Secular trend,T)指的是統計指標在相當長的一段時間內，受到長期趨勢影響因素的影響，表現出持續上升或持續下降的趨勢，通常用字母T表示。例如，隨着國家經濟的發展，人均收入將逐漸提升；隨着醫學水平的提高，新生兒死亡率在不斷下降。

2、季節趨勢：S

季節趨勢(Seasonal Variation,S)是指由於季節的轉變使得指標數值發生週期性變動。這裏的季節是廣義的，一般以月、季、周爲時間單位，不能以年作單位。例如雪糕和棉衣的銷量都會隨着季節氣溫的變化而週期變化；每年的長假（五一、十一、春節）都會引起出行人數的大量增加。

百度指數

3、循環變動

循環變動（Cyclical Variation,C）與季節變動的週期不同，循環變動通常以若干年爲週期，在曲線圖上表現爲波浪式的週期變動。這種週期變動的特徵變現爲增加和減少交替出現，但是並不具嚴格規則的週期性連續變動。最典型的週期案例就是市場經濟的商業週期和的整個國家的經濟週期。

4、不規則變動：I

不規則變動（Irregular Variation,I）是由某些隨機因素導致的數值變化，這些因素的作用是不可預知和沒有規律性的，可以視爲由於衆多偶然因素對時間序列造成的影響（在迴歸中又被稱爲擾動項）。

四種變動與指標數值最終變動的關係可能是疊加關係，也可能是乘積關係。

4、疊加模型和乘積模型

（1）如果四種變動之間是相互獨立的關係，那麼疊加模型可以表示爲：
Y=T+S+C+I

（2）如果四種變動之間存在相互影響關係，那麼應該使用乘積模型：
Y=TSC*I

（1）數據具有周期性時才能使用時間序列分解，例如數據是月份數據(週期爲12)、季度數據(週期爲4) ，如果是年份數據則不行。
（2）在具體的時間序列圖上，如果隨着時間的推移，序列的季節波動變得越來越大，則反映各種變動之間的關係發生變化，建議使用乘積模型；反之，如果時間序列圖的波動保持恆定，則可以直接使用疊加模型；當然，如果不存在季節波動，則兩種分解均可以。