修正 R2 求得数据的自由度。
ARIMA 通常称为 Box-Jenkins 预测方法，它是一组单变量时间序列预测方法。ARIMA 涉及利用估计的自回归 (AR)、积分或差分 (I) 和移动平均 (MA) 参数来确定、选择和检查模型。
电子表格模型中的估计值，Crystal Ball 以概率分布定义这些值。
描述同一数据序列不同期间的值之间的关系或关联。
描述类似于自动关联的关系，只是不将变量与其他自变量相关联，而是将其与自己数据序列之前的值相关联。
两个变量之间的关系，一个自变量的变化不仅对应于应变量的特定增大或减小，而且实际上也会引起增大或减小。
电子表格模型中假设的统计摘要，以图形或数字形式输出。
为历史数据计算季节性指数时，将季节性调整与预测的水平相加，从而使得最终的曲线显示季节性变化，并随着时间的推移逐渐变得平坦。
为历史数据计算季节性指数时，将季节性调整与预测的水平相乘，从而使得最终的曲线显示季节性变化，并随着时间的推移逐渐变得平坦。
一种运用两次指数平滑的非季节性预测方法，与二次指数平滑法类似，而且它的趋势曲线会随着时间的推移逐渐变得平坦，而不是变得线性。
数据点的数目减去估计参数（系数）的数目。
在多元线性回归中，依赖于其他数据序列的数据序列或变量。应该使用多元线性回归作为所有应变量的预测方法。
Double exponential smoothing（二次指数平滑法）。
二次指数平滑法是指应用两次一次指数平滑法，一次应用于原始数据，然后应用于得到的一次指数平滑数据。当历史数据序列不稳定时，这种方法非常有用。
对表示原始数据集移动平均值的部分数据执行移动平均法，由此使过去的数据变得平滑。
检验一个时间滞差的自动关联。
实际数据值与预测数据值之间的差异。
检验多元线性回归方程的整体显著性。
根据一个变量或其他相关变量的已知过去值预测该变量的值。预测也可以根据 Crystal Ball 电子表格模型和专业判断来描述预测的值。
一种回归方法，是指一次向多元线性回归方程中添加一个自变量，从显著性最高的自变量开始。
优化预测参数以最小化一组排除的数据与预测值之间的误差度量。预测器不使用排除的数据来计算预测参数。
将一个序列分成以下组成部分：季节性、趋势和周期以及误差。这种方法可以确定每一部分的值、预测未来的值，并对其进行重新整合来进行预测。
认为季节性的影响以乘法计入，即随时间不断增大（或减小）。这种方法类似于 Holt-Winters 叠加预测方法。
跨越超过二维的几何平面。
在多元线性回归中，影响其他数据序列或变量的数据序列或变量。
一种回归方法，是指一次向多元线性回归方程中添加一个自变量，或者一次从多元线性回归方程中减去一个自变量。
定义将一个数据序列与其自身进行比较时的偏移。对于自动关联，它是指将一个数据序列与其自身相关联时选择的数据偏移。
一种预测类型，可以优化预测参数以最小化历史数据与偏移指定期间数目（提前期）的拟合值之间的误差度量。
测量一条线与一组数据的接近程度。这种方法测量各个实际数据点与线的距离，计算各个距离的平方，然后将平方值相加。方差最小的线是最接近的拟合。
预测的起点。对于无趋势的一组数据来说，它等效于 y 轴截距。
只有线性项的方程。线性方程中的任何项都不包含带指数的变量或者彼此相乘的变量。
将一个变量构造成其他一阶解释变量的函数的过程。换句话说，使曲线近似于直线而不是曲线，这需要涉及平方和立方的更高阶次的项。
Mean absolute deviation（平均绝对偏差）。这是误差统计值，计算每对实际数据点与拟合数据点之间距离的平均值。
Mean absolute percentage error（平均绝对百分比误差）。这是相对误差度量值，使用绝对值来避免正误差和负误差相互抵消，您可以使用相对误差比较各种时间序列方法预测的准确性。
一种线性回归，将一个应变量表示成多个自变量的线性函数。
仅根据最新的数据以最小的努力得到的预测；例如，使用上个数据点预测下个期间。
表示获得与为数据计算的值一样大的 F 或 t 统计值的概率。
检验现有多元线性回归方程中特定自变量的显著性。
Microsoft Excel 中的交互式表。您可以移动行和列并筛选透视表数据。
确定系数。该统计值表示由回归线说明的应变量误差的比例。
将一个应变量构造成其他解释（自）变量的函数的过程。
多元线性回归中应变量的实际数据与预测数据之间的差异。
Root mean squared error（均方根误差）。这是绝对误差度量值，计算偏差的平方来避免正偏差与负偏差相互抵消。这种度量往往还会增大较大的误差，这在比较各种方法时会很有帮助。
计算无趋势的历史数据的季节性指数。预测的水平加上季节性调整，由此得到季节性叠加预测。
计算无趋势的历史数据的季节性指数。预测的水平乘以季节性调整，由此得到季节性乘数预测。
季节性因素导致数据序列发生的变化。例如，如果在圣诞节和夏季销量增加，数据呈现季节性，一个期间是六个月。
对过去的数据加权，随着向前追溯呈指数减小权重；即数据值越新，其权重越大。这样可大大克服移动平均法或百分比变化方法的限制。
计算最近几个期间的平均值并向前预测这种趋势，由此使过去的数据变得平滑。预测器自动计算要计算平均值的最佳期间数目。
求解一组方程得出回归方程系数的一种方法。
通过消除极端数据和减小数据随机性来估计平滑趋势。
Sum of square deviations（方差和）。用于估计回归系数的最小二乘技术使用该统计值，测量回归线未消除的误差。
Singular value decomposition（奇异值分解）。
检验应变量与任何一个自变量之间关系的显著性，前提是还有其他自变量。
以等距时间间隔排列的一组值。
时间序列数据长期增大或减小。
在回归计算中，数据序列又称为变量。
一种预测类型，可以优化预测参数以最小化历史数据与偏移几个不同期间（提前期）的拟合值之间的平均误差度量。