菲律宾留学1. 回归模型建立与自相关问题初探
当你用SPSS分析月度销售额数据时，可能会遇到这样的困扰：明明模型拟合度不错，但预测结果却像过山车一样忽高忽低。这种情况很可能是自相关性在作祟。自相关就像时间序列数据中的"记忆效应"，前一期的误差会影响下一期的表现，就像昨天的心情会影响今天的情绪一样。
在SPSS中建立基础回归模型其实很简单。打开数据文件后，点击【分析】-【回归】-【线性】，把因变量（比如销售额）拖进对应框，选好自变量（比如广告投入、节假日指标等）。关键一步是在【保存】选项卡里勾选"未标准化残差"，这样SPSS会自动生成一列名为RES_1的残差数据。我经常提醒新手同事，这个步骤千万不能漏，因为后续所有诊断都要基于这些残差值。
最近处理一个连锁超市案例时，初始模型的R²达到0.85，看起来非常理想。但当用这个模型预测下季度销售时，误差大得离谱。这就是典型的"模型看起来很美，实际用起来很坑"的情况。后来发现是因为没有考虑季节性因素导致的自相关，模型把随机波动当成了规律性变化。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 三大方法诊断自相关性
2.1 散点图诊断法：用眼睛直接观察
第一种图示法特别直观，就像给数据做X光检查。在SPSS中操作：【图形】-【旧对话框】-【散点图】，选简单散点图，把时间变量（如月份）放X轴，RES_1残差放Y轴。健康的模型应该像散落的芝麻饼，点随机分布在零线上下。如果看到残差呈现"波浪形"或"锯齿状"排列，比如连续几个正残差跟着几个负残差，就像我去年分析的电子产品销售数据那样，那就暗示存在正自相关。
更专业的做法是绘制残差与滞后残差的散点图。先用【转换】-【创建时间序列】生成RES_1_1（滞后一期的残差），再绘制RES_1_1与RES_1的散点图。如果点集中在第一、第三象限，像上周处理的房地产数据那样，就是正自相关；集中在二、四象限则是负自相关。
2.2 DW检验：量化自相关程度
德宾-沃森检验(DW检验)是更精确的诊断工具。重新运行回归时，在【统计】选项中勾选"德宾-沃森"统计量。DW值在0-4之间，越接近2说明自相关越弱。有个实用口诀：小于1.5要警惕正相关，大于2.5要小心负相关。
但要注意几个坑：DW检验对滞后阶数敏感，而且当模型包含滞后因变量时会失效。去年分析季度GDP数据时就踩过这个坑，明明DW值很好但实际存在高阶自相