第九章-SPSS的线性回归分析优秀PPT.ppt

第九章第九章 SPSS SPSS的线性回来分析的线性回来分析一、回来分析概述一、回来分析概述(一一)回来分析理解回来分析理解(1)“回来回来”的含义的含义Galton探讨探讨父亲身高和儿子身高的关系时的独特发探讨探讨父亲身高和儿子身高的关系时的独特发觉。觉。(2)回来线的获得方式一：局部平均回来线的获得方式一：局部平均 回来曲线上的点给出了相应于每一个回来曲线上的点给出了相应于每一个x(父亲父亲)值的值的y(儿儿子子)平均数的估计平均数的估计(3)回来线的获得方式二：拟和函数回来线的获得方式二：拟和函数使数据拟和于某条曲线；使数据拟和于某条曲线；通过若干参数描述该曲线；通过若干参数描述该曲线；利用已知数据在确定的统计准则下找出参数的估计值利用已知数据在确定的统计准则下找出参数的估计值(得得到回来曲线的近似到回来曲线的近似)；一、回来分析概述一、回来分析概述(二二)回来分析的基本步骤回来分析的基本步骤(1)确定自变量和因变量确定自变量和因变量(父亲身高关于儿子身高的回来父亲身高关于儿子身高的回来与儿子身高关于父亲身高的回来是不同的与儿子身高关于父亲身高的回来是不同的)。(2)从样本数据动身确定变量之间的数学关系式，并对回从样本数据动身确定变量之间的数学关系式，并对回来方程的各个参数进行估计。来方程的各个参数进行估计。(3)对回来方程进行各种统计检验。对回来方程进行各种统计检验。(4)利用回来方程进行预料。利用回来方程进行预料。一、回来分析概述一、回来分析概述(三三)参数估计的准则参数估计的准则目标：回来线上的视察值与预料值之间的距离总和达到最小目标：回来线上的视察值与预料值之间的距离总和达到最小最小二乘法最小二乘法(利用最小二乘法拟和的回来直线与样本数据点在垂直方利用最小二乘法拟和的回来直线与样本数据点在垂直方向上的偏离程度最低向上的偏离程度最低)二、一元线性回来分析二、一元线性回来分析(一一)一元回来方程一元回来方程 y=0+1x0为常数项；为常数项；1为为y对对x回来系数，即：回来系数，即：x每变动一个单位所引起每变动一个单位所引起的的y的平均变动的平均变动(二二)一元回来分析的步骤一元回来分析的步骤利用样本数据建立回来方程利用样本数据建立回来方程回来方程的拟和优度检验回来方程的拟和优度检验回来方程的显著性检验回来方程的显著性检验(F检验和检验和t检验检验)残差分析残差分析预料预料Y=a+bX F检验检验T检验检验R2拟拟合合优优度度如如何何，即即X对对Y的说明实力的说明实力线性关系是否显著线性关系是否显著系数是否显著不为零系数是否显著不为零=b三、一元线性回来方程的检验三、一元线性回来方程的检验(一一)拟和优度检验拟和优度检验 R2(1)目的：检验样本视察点聚集在回来直线四周的密目的：检验样本视察点聚集在回来直线四周的密集程度，评价回来方程对样本数据点的拟和程度。集程度，评价回来方程对样本数据点的拟和程度。(2)思路：思路：因为：因为：因变量取值的变更受两个因素的影响因变量取值的变更受两个因素的影响自变量不同取值的影响自变量不同取值的影响其他因素的影响其他因素的影响于是：于是：因变量总变差因变量总变差=自变量引起的自变量引起的+其他因素引其他因素引起的起的即：即：因变量总变差因变量总变差=回来方程可说明的回来方程可说明的+不行说明不行说明的的可证明：因变量总离差平方和可证明：因变量总离差平方和=回来平方和回来平方和+剩余平剩余平方和方和三、一元线性回来方程的检验三、一元线性回来方程的检验(一一)拟和优度检验拟和优度检验 (3)统计量：判定系数统计量：判定系数R2=SSR/SST=1-SSE/SST。R2体现了回来方程所能说明的因变量变差的比例；体现了回来方程所能说明的因变量变差的比例；1-R2则体现了因变量总变差中，回来方程所无法则体现了因变量总变差中，回来方程所无法说明的比例。说明的比例。R2越接近于越接近于1，则说明回来平方和占了因变量总变差，则说明回来平方和占了因变量总变差平方和的绝大部分比例，因变量的变差主要由自变平方和的绝大部分比例，因变量的变差主要由自变量的不同取值造成，回来方程对样本数据点拟合得量的不同取值造成，回来方程对样本数据点拟合得好好在一元回来中在一元回来中R2=r2；因此，从这个意义上讲，判因此，从这个意义上讲，判定系数能够比较好地反映回来直线对样本数据的代定系数能够比较好地反映回来直线对样本数据的代表程度和线性相关性。表程度和线性相关性。三、一元线性回来方程的检验三、一元线性回来方程的检验(二二)回来方程的显著性检验回来方程的显著性检验 F检验检验(1)目的：检验自变量与因变量之间的线性关系是否显著，是否可用线性模型来表目的：检验自变量与因变量之间的线性关系是否显著，是否可用线性模型来表示。示。(2)H0：=0 即：回来系数与即：回来系数与0无显著差异无显著差异(3)利用利用F检验，构造检验，构造F统计量：统计量：F=平均的回来平方和平均的回来平方和/平均的剩余平方和平均的剩余平方和F(1，n-1-1)假如假如F值较大，则说明自变量造成的因变量的线性变动远大于随机因素对因变量的值较大，则说明自变量造成的因变量的线性变动远大于随机因素对因变量的影响，自变量于因变量之间的线性关系较显著影响，自变量于因变量之间的线性关系较显著(4)计算计算F统计量的值和相伴概率统计量的值和相伴概率p(5)推断推断pregression-linear(2)选择一个变量为因变量进入选择一个变量为因变量进入dependent框框(3)选择一个变量为自变量进入选择一个变量为自变量进入independent框框(4)enter：所选变量全部进入回来方程：所选变量全部进入回来方程(默认方法默认方法)(5)对样本进行筛选对样本进行筛选(selection variable)利用满足确定条件的样本数据进行回来分析利用满足确定条件的样本数据进行回来分析(6)指定作图时各数据点的标记变量指定作图时各数据点的标记变量(case labels)四、一元线性回来分析操作四、一元线性回来分析操作(二二)statistics选项选项(1)基本统计量输出基本统计量输出Estimates：默认。显示回来系数相关统计量。：默认。显示回来系数相关统计量。confidence intervals：每个非标准化的回来系数：每个非标准化的回来系数95%的置信区间。的置信区间。Descriptive：各变量均值、标准差和相关系数单侧检验概率。：各变量均值、标准差和相关系数单侧检验概率。Model fit：默认。判定系数、估计标准误差、方差分析表、容忍度：默认。判定系数、估计标准误差、方差分析表、容忍度(2)Residual框中的残差分析框中的残差分析Durbin-waston：D-W值值casewise diagnostic：异样值：异样值(奇异值奇异值)检测检测(输出预料值及残差和标输出预料值及残差和标准化残差准化残差)四、一元线性回来分析操作四、一元线性回来分析操作(三三)plot选项：图形分析选项：图形分析 Standardize residual plots：绘制残差序列直方图和累计概率图，检：绘制残差序列直方图和累计概率图，检测残差的正态性测残差的正态性绘制指定序列的散点图，检测残差的随机性、异方差性绘制指定序列的散点图，检测残差的随机性、异方差性ZPRED：标准化预料值：标准化预料值 ZRESID：标准化残差：标准化残差SRESID：学生化残差：学生化残差produce all partial plot：绘制因变量和全部自变量之间的散点图：绘制因变量和全部自变量之间的散点图五、线性回来方程的残差分析五、线性回来方程的残差分析(一一)残差序列的正态性检验残差序列的正态性检验 绘制标准化残差的直方图或累计概率图绘制标准化残差的直方图或累计概率图(二二)残差序列的随机性检验残差序列的随机性检验绘制残差和预料值的散点图，应随机分布在经过零的一条直绘制残差和预料值的散点图，应随机分布在经过零的一条直线上下线上下五、线性回来方程的残差分析五、线性回来方程的残差分析(三三)残差序列独立性检验残差序列独立性检验 残差序列是否存在后期值与前期值相关的现象，利用残差序列是否存在后期值与前期值相关的现象，利用D D。W(Durbin-Watson)W(Durbin-Watson)检验检验d-w=0d-w=0：残差序列存在完全正自相关；：残差序列存在完全正自相关；d-w=4d-w=4：残差序列存：残差序列存在完全负自相关；在完全负自相关；0d-w20d-w2：残差序列存在某种程度的正：残差序列存在某种程度的正自相关；自相关；2d-w42d-w4：残差序列存在某种程度的负自相关；：残差序列存在某种程度的负自相关；d-w=2d-w=2：残差序列不存在自相关。：残差序列不存在自相关。残差序列不存在自相关，可以认为回来方程基本概括了因残差序列不存在自相关，可以认为回来方程基本概括了因变量的变更；否则，认为可能一些与因变量相关的因素变量的变更；否则，认为可能一些与因变量相关的因素没有引入回来方程或回来模型不合适或滞后性周期性的没有引入回来方程或回来模型不合适或滞后性周期性的影响。影响。五、线性回来方程的残差分析五、线性回来方程的残差分析(四四)异样值异样值(casewise或或outliers)诊断诊断利用标准化残差不仅可以知道视察值比预料值大或小，并且还知道利用标准化残差不仅可以知道视察值比预料值大或小，并且还知道在确定值上它比大多数残差是大还是小。一般标准化残差的确在确定值上它比大多数残差是大还是小。一般标准化残差的确定值大于定值大于3，则可认为对应的样本点为奇异值，则可认为对应的样本点为奇异值异样值并不总表现出上述特征。当剔除某视察值后，回来方程的标异样值并不总表现出上述特征。当剔除某视察值后，回来方程的标准差显著减小，也可以判定该视察值为异样值准差显著减小，也可以判定该视察值为异样值六、线性回来方程的预料六、线性回来方程的预料(一一)点估计点估计y0(二二)区间估计区间估计 x0为xi的均值时，预料区间最小，精度最高。x0越远离均值，预料区间越大，精度越低。七、多元线性回来分析七、多元线性回来分析(一一)多元线性回来方程多元线性回来方程多元回来方程：多元回来方程：y=0+1x1+2x2+。+kxk 1、2、k为偏回来系数。为偏回来系数。1表示在其他自变量保持不变的状况下，自变量表示在其他自变量保持不变的状况下，自变量x1变动一个单位变动一个单位所引起的因变量所引起的因变量y的平均变动的平均变动(二二)多元线性回来分析的主要问题多元线性回来分析的主要问题回来方程的检验回来方程的检验自变量筛选自变量筛选多重共线性问题多重共线性问题八、多元线性回来方程的检验八、多元线性回来方程的检验(一一)拟和优度检验拟和优度检验(1)判定系数判定系数R2 R是是y和和xi的复相关系数的复相关系数(或视察值与预料值的相关系或视察值与预料值的相关系数数)，测定了因变量，测定了因变量y与全部自变量全体之间线性相与全部自变量全体之间线性相关程度关程度(2)调整的调整的R2 考虑的是平均的剩余平方和，克服了因自变量增加而考虑的是平均的剩余平方和，克服了因自变量增加而造成造成R2也增大的弱点也增大的弱点在某个自变量引入回来方程后，假如该自变量是志向在某个自变量引入回来方程后，假如该自变量是志向的且对因变量变差的说明说明是有意义的，那么必的且对因变量变差的说明说明是有意义的，那么必定使得均方误差削减，从而使调整的定使得均方误差削减，从而使调整的R2得到提高；得到提高；反之，假如某个自变量对因变量的说明说明没有意反之，假如某个自变量对因变量的说明说明没有意义，那么引入它不会造成均方误差削减，从而调整义，那么引入它不会造成均方误差削减，从而调整的的R2也不会提高。也不会提高。八、多元线性回来方程的检验八、多元线性回来方程的检验(二二)回来方程的显著性检验回来方程的显著性检验 F(1)目的：检验全部自变量与因变量之间的线性关系是否显著，是否可用线目的：检验全部自变量与因变量之间的线性关系是否显著，是否可用线性模型来表示。性模型来表示。(2)H0：1=2=k=0 即：全部回来系数同时与即：全部回来系数同时与0无显著差异无显著差异(3)利用利用F检验，构造检验，构造F统计量：统计量：F=平均的回来平方和平均的回来平方和/平均的剩余平方和平均的剩余平方和F(k，n-k-1)假如假如F值较大，则说明自变量造成的因变量的线性变动大于随机因素对因变值较大，则说明自变量造成的因变量的线性变动大于随机因素对因变量的影响，自变量于因变量之间的线性关系较显著量的影响，自变量于因变量之间的线性关系较显著(4)计算计算F统计量的值和相伴概率统计量的值和相伴概率p(5)推断推断p=a：拒绝：拒绝H0，即：全部回来系数与，即：全部回来系数与0有显著差异，自变量与因变量之有显著差异，自变量与因变量之间存在显著的线性关系。反之，不能拒绝间存在显著的线性关系。反之，不能拒绝H0八、多元线性回来方程的检验八、多元线性回来方程的检验(三三)回来系数的显著性检验回来系数的显著性检验 T(1)目的：检验每个自变量对因变量的线性影响是否显著。目的：检验每个自变量对因变量的线性影响是否显著。(2)H0：i=0 即：第即：第i个回来系数与个回来系数与0无显著差异无显著差异(3)利用利用t检验，构造检验，构造t统计量：统计量：其中：其中：Sy是回来方程标准误差是回来方程标准误差(Standard Error)的估计值，由均的估计值，由均方误差开方后得到，反映了回来方程无法说明样本数据点的程方误差开方后得到，反映了回来方程无法说明样本数据点的程度或偏离样本数据点的程度度或偏离样本数据点的程度假如某个回来系数的标准误差较小，必定得到一个相对较大的假如某个回来系数的标准误差较小，必定得到一个相对较大的t值，值，表明该自变量表明该自变量xi说明因变量线性变更的实力较强。说明因变量线性变更的实力较强。(4)逐个计算逐个计算t统计量的值和相伴概率统计量的值和相伴概率p(5)推断推断八、多元线性回来方程的检验八、多元线性回来方程的检验(四四)F 统计量与统计量与t统计量统计量一元回来中，一元回来中，F检验与检验与t检验一样，即：检验一样，即：F=t2，可以相互替代，可以相互替代在多元回来中，在多元回来中，F检验与检验与t检验不能相互替代检验不能相互替代Fchange=ti2从从Fchange 角度上讲，假如由于某个自变量角度上讲，假如由于某个自变量xi的引入，使得的引入，使得Fchange是显著的是显著的(通过视察通过视察Fchange 的相伴概率值的相伴概率值)，那，那么就可以认为该自变量对方程的贡献是显著的，它应保留在回么就可以认为该自变量对方程的贡献是显著的，它应保留在回来方程中，起到与回来系数来方程中，起到与回来系数t检验同等的作用。检验同等的作用。九、多元线性回来分析中的自变量筛选九、多元线性回来分析中的自变量筛选(一一)自变量筛选的目的自变量筛选的目的多元回来分析引入多个自变量。多元回来分析引入多个自变量。假如引入的自变量个数较少，则不能很好假如引入的自变量个数较少，则不能很好的说明因变量的变更；的说明因变量的变更；并非自变量引入越多越好。缘由：并非自变量引入越多越好。缘由：有些自变量可能对因变量的说明没有贡献有些自变量可能对因变量的说明没有贡献自变量间可能存在较强的线性关系，即：多重共线性。自变量间可能存在较强的线性关系，即：多重共线性。因而不能全部引入因而不能全部引入回来方程。回来方程。九、多元线性回来分析中的自变量筛选九、多元线性回来分析中的自变量筛选(二二)自变量向前筛选法自变量向前筛选法(forward)即：自变量不断进入回来方程的过程。即：自变量不断进入回来方程的过程。首先，选择与因变量具有最高相关系数的自变量进入方程，并进行首先，选择与因变量具有最高相关系数的自变量进入方程，并进行各种检验；各种检验；其次，在剩余的自变量中找寻偏相关系数最高的变量进入回来方程，其次，在剩余的自变量中找寻偏相关系数最高的变量进入回来方程，并进行检验；并进行检验；默认：回来系数检验的概率值小于默认：回来系数检验的概率值小于PIN(0。05)才可以进入方程。才可以进入方程。反复上述步骤，直到没有可进入方程的自变量为止。反复上述步骤，直到没有可进入方程的自变量为止。九、多元线性回来分析中的自变量筛选九、多元线性回来分析中的自变量筛选(三三)自变量向后筛选法自变量向后筛选法(backward)即：自变量不断剔除出回来方程的过程。即：自变量不断剔除出回来方程的过程。首先，将全部自变量全部引入回来方程；首先，将全部自变量全部引入回来方程；其次，在一个或多个其次，在一个或多个t值不显著的自变量中将值不显著的自变量中将t值最小的那个变量剔值最小的那个变量剔除出去，并重新拟和方程和进行检验；除出去，并重新拟和方程和进行检验；默认：回来系数检验值大于默认：回来系数检验值大于POUT(0。10)，则剔除出方程，则剔除出方程假如新方程中全部变量的回来系数假如新方程中全部变量的回来系数t值都是显著的，则变量筛选过值都是显著的，则变量筛选过程结束。程结束。否则，重复上述过程，直到无变量可剔除为止。否则，重复上述过程，直到无变量可剔除为止。九、多元线性回来分析中的自变量筛选九、多元线性回来分析中的自变量筛选(四四)自变量逐步筛选法自变量逐步筛选法(stepwise)即：是即：是“向前法向前法”和和“向后法向后法”的结合。的结合。向前法只对进入方程的变量的回来系数进行显著性检向前法只对进入方程的变量的回来系数进行显著性检验，而对已经进入方程的其他变量的回来系数不再验，而对已经进入方程的其他变量的回来系数不再进行显著性检验，即：变量一旦进入方程就不会被进行显著性检验，即：变量一旦进入方程就不会被剔除剔除随着变量的逐个引进，由于变量之间存在着确定程度随着变量的逐个引进，由于变量之间存在着确定程度的相关性，使得已经进入方程的变量其回来系数不的相关性，使得已经进入方程的变量其回来系数不再显著，因此会造成最终的回来方程可能包含不显再显著，因此会造成最终的回来方程可能包含不显著的变量。著的变量。逐步筛选法则在变量的每一个阶段都考虑的剔除一个逐步筛选法则在变量的每一个阶段都考虑的剔除一个变量的可能性。变量的可能性。十、线性回来分析中的共线性检测十、线性回来分析中的共线性检测(一一)共线性带来的主要问题共线性带来的主要问题高度的多重共线会使回来系数的标准差随自变量相关性的增大高度的多重共线会使回来系数的标准差随自变量相关性的增大而不断增大，以至使回来系数的置信区间不断增大，造成估而不断增大，以至使回来系数的置信区间不断增大，造成估计值精度减低。计值精度减低。(二二)共线性诊断共线性诊断自变量的容忍度自变量的容忍度(tolerance)和方差膨胀因子和方差膨胀因子容忍度：容忍度：Toli=1-Ri2。其中：其中：Ri2是自变量是自变量xi与方程中其他与方程中其他自变量间的复相关系数的平方。自变量间的复相关系数的平方。容忍度越大则与方程中其他自变量的共线性越低，应进入方程。容忍度越大则与方程中其他自变量的共线性越低，应进入方程。(具有太小容忍度的变量不应进入方程，具有太小容忍度的变量不应进入方程，spss会给出警会给出警)(T0。1一般认为具有多重共线性一般认为具有多重共线性)方差膨胀因子方差膨胀因子(VIF)：容忍度的倒数：容忍度的倒数SPSS在回来方程建立过程中不断计算待进入方程自变量的容忍在回来方程建立过程中不断计算待进入方程自变量的容忍度，并显示目前的最小容忍度度，并显示目前的最小容忍度十、线性回来分析中的共线性检测十、线性回来分析中的共线性检测(二二)共线性诊断共线性诊断用特征根刻画自变量的方差用特征根刻画自变量的方差假如自变量间的确存在较强的相关关系，那么它们之间必定存在信假如自变量间的确存在较强的相关关系，那么它们之间必定存在信息重叠，于是可从这些自变量中提取出既能反映自变量信息息重叠，于是可从这些自变量中提取出既能反映自变量信息(方方差差)又相互独立的因素又相互独立的因素(成分成分)来。来。从自变量的相关系数矩阵动身，计算相关系数矩阵的特征根，得到从自变量的相关系数矩阵动身，计算相关系数矩阵的特征根，得到相应的若干成分。相应的若干成分。假如某个特征根既能够刻画某个自变量方差的较大部分比例假如某个特征根既能够刻画某个自变量方差的较大部分比例(如大如大于于0。7)，同时又可以刻画另一个自变量方差的较大部分比例，同时又可以刻画另一个自变量方差的较大部分比例，则表明这两个自变量间存在较强的多重共线性。则表明这两个自变量间存在较强的多重共线性。条件指标条件指标0k10 无多重共线性；无多重共线性；10=k=100 严峻严峻十一、线性回来分析中的异方差问题十一、线性回来分析中的异方差问题(一一)什么是差异方差什么是差异方差回来模型要求残差序列听从均值为回来模型要求残差序列听从均值为0并具有相同方差的正态分布，即：残并具有相同方差的正态分布，即：残差分布幅度不应随自变量或因变量的变更而变更。否则认为出现了异差分布幅度不应随自变量或因变量的变更而变更。否则认为出现了异方差现象方差现象(二二)异方差诊断异方差诊断可以通过绘制标准化残差序列和因变量预料值可以通过绘制标准化残差序列和因变量预料值(或每个自变量或每个自变量)的散点图来的散点图来识别是否存在异方差识别是否存在异方差(三三)异方差处理异方差处理实施方差稳定性变换实施方差稳定性变换残差与残差与yi(预料值预料值)的平方根呈正比：对的平方根呈正比：对yi开平方开平方残差与残差与yi(预料值预料值)呈正比：对呈正比：对yi取对数。取对数。残差与残差与yi(预料值预料值)的平方呈正比，则的平方呈正比，则1/yi十二、多元线性回来分析操作十二、多元线性回来分析操作(一一)基本操作步骤基本操作步骤(1)菜单选项：菜单选项：analyze-regression-linear(2)选择一个变量为因变量进入选择一个变量为因变量进入dependent框框(3)选择一个或多个变量为自变量进入选择一个或多个变量为自变量进入independent框框(4)选择多元回来分析的自变量筛选方法：选择多元回来分析的自变量筛选方法：enter：所选变量全部进入回来方程：所选变量全部进入回来方程(默认方法默认方法)remove：从回来方程中剔除变量：从回来方程中剔除变量stepwise：逐步筛选；：逐步筛选；backward：向后筛选；：向后筛选；forward：向前筛选：向前筛选(5)对样本进行筛选对样本进行筛选(selection variable)利用满足确定条件的样本数据进行回来分析利用满足确定条件的样本数据进行回来分析(6)指定作图时各数据点的标记变量指定作图时各数据点的标记变量(case labels)十二、多元线性回来分析操作十二、多元线性回来分析操作(二二)statistics选项选项(1)基本统计量输出基本统计量输出Part and partial correlation：与：与Y的简洁相关、偏相关的简洁相关、偏相关和部分相关和部分相关R square change：每个自变量进入方程后：每个自变量进入方程后R2及及F值的变更值的变更量量Collinearity dignostics：共线性诊断。：共线性诊断。十二、多元线性回来分析操作十二、多元线性回来分析操作(三三)options选项选项 stepping method criteria：逐步筛选法参数设置。：逐步筛选法参数设置。use probability of F：以：以F值相伴概率作为变量进入和剔除方程的标准。值相伴概率作为变量进入和剔除方程的标准。一个变量的一个变量的F值显著性水平小于值显著性水平小于entry(0。05)则进入方程；大于则进入方程；大于removal(0。1)则剔除出方程。因此：则剔除出方程。因此：Entryregression-curve estimation(3)选择因变量到选择因变量到dependent框框(4)选择自变量到选择自变量到independent框或选框或选time以以时间作自变量时间作自变量(5)选择模型选择模型(R2最高拟和效果最好最高拟和效果最好)十三、曲线估计十三、曲线估计(curve estimate)(四四)其他选项其他选项(1)display ANOVA table：方差分析表：方差分析表(2)plot models：绘制视察值和预料值的对比图。：绘制视察值和预料值的对比图。(3)save选项：选项：predicted values：保存预料值。：保存预料值。Residual：保存残差值。：保存残差值。prediction interval：保存预料值的默认：保存预料值的默认95%的可置信区间。的可置信区间。Predict case：以：以time作自变量进行预料。作自变量进行预料。Predict from estimation period through last case：计算保存：计算保存全部预料值。全部预料值。Predict through：假如预料周期超过了数据文件的最终一个观测期，：假如预料周期超过了数据文件的最终一个观测期，选择此项，并输入预料期数。选择此项，并输入预料期数。