搞外貿(mào)獨(dú)立站運(yùn)營(yíng)的人，相信大家都接觸過(guò)Google Trend。
它能夠分析產(chǎn)品關(guān)鍵詞的偏離度、產(chǎn)品本地化、區(qū)域化的熱度和上升/下降趨勢(shì)。
但是，很多時(shí)候，我們?cè)谒阉鳟a(chǎn)品的時(shí)候，看到的產(chǎn)品趨勢(shì)，都是沒(méi)有任何周期性的波動(dòng)，就像沒(méi)有解調(diào)之前無(wú)線(xiàn)電的雜波一樣。
怎么辦？
今天給大家介紹SPSS數(shù)據(jù)分析——線(xiàn)性回歸分析，在復(fù)雜產(chǎn)品趨勢(shì)中的應(yīng)用。
操作步驟如下：
1. 獲取SPSS數(shù)據(jù)分析軟件包
微信掃描并關(guān)注——TradeSNS公共號(hào)，回復(fù)“SPSS數(shù)據(jù)分析”，將得到破解版，SPSS數(shù)據(jù)分析軟件包（內(nèi)附激活碼）
2. SPSS安裝與激活
SPSS的安裝時(shí)，前幾步與其他軟件安裝流程一樣，大家點(diǎn)擊“確定”或者“下一步”就OK。
當(dāng)彈出“產(chǎn)品授權(quán)”界面時(shí)，我們?nèi)匀稽c(diǎn)擊“下一步”，
這個(gè)時(shí)候，會(huì)出現(xiàn)“輸入代碼”，大家將軟件包里的“SPSS20無(wú)期限授權(quán)號(hào)”里面的激活碼，復(fù)制粘貼過(guò)來(lái)，然后點(diǎn)擊“下一步”，完成激活。
3. 數(shù)據(jù)采集
回到Google Trend界面，輸入自己要查詢(xún)的產(chǎn)品關(guān)鍵字，選擇查詢(xún)的時(shí)間序列，點(diǎn)擊右上方下載按鈕，保存本地。
4. 數(shù)據(jù)清洗與數(shù)據(jù)挖掘
我們主要用產(chǎn)品趨勢(shì)數(shù)據(jù)，分析產(chǎn)品搜索量隨著時(shí)間變化的響應(yīng)趨勢(shì)（時(shí)域響應(yīng)），時(shí)間的間隔為1個(gè)月，不存在缺失項(xiàng)，所以，就產(chǎn)品趨勢(shì)的貿(mào)易數(shù)據(jù)而言，數(shù)據(jù)清洗和挖掘可以跳過(guò)。
大家也不是搞數(shù)據(jù)的，沒(méi)必要把時(shí)間，用在數(shù)據(jù)挖掘的算法上面。神經(jīng)網(wǎng)絡(luò)、貝葉斯控制，與我們無(wú)關(guān)。
5. 數(shù)據(jù)導(dǎo)入
打開(kāi)安裝好的SPSS數(shù)據(jù)軟件，點(diǎn)擊左上方文件圖樣按鈕，選擇剛剛下載的Google Trend數(shù)據(jù)（csv格式），將其導(dǎo)入到SPSS。
數(shù)據(jù)格式，選擇“時(shí)間/日期”，將其設(shè)定為yy/mm/dd（個(gè)人習(xí)慣，大家可以根據(jù)自己的習(xí)慣，設(shè)置不同的時(shí)間表現(xiàn)形式）。
導(dǎo)入數(shù)據(jù)之后，我們要針對(duì)數(shù)據(jù)屬性、分析目的進(jìn)行簡(jiǎn)單設(shè)置。我們把”時(shí)間“當(dāng)做輸入，“搜索熱度”作為輸出。
6. 選擇合適的數(shù)據(jù)分析方法
我們這次演示的案例，主要是產(chǎn)品搜索熱度隨時(shí)間的變化規(guī)律，所以，選擇線(xiàn)性回歸分析，來(lái)判斷兩者的線(xiàn)性關(guān)系。
當(dāng)然，如果是研究肺癌與吸煙的關(guān)系，還要計(jì)算數(shù)據(jù)降噪處理、多元回歸計(jì)算相關(guān)系數(shù)、復(fù)雜抽樣、計(jì)算生存函數(shù)等等。
今天這個(gè)例子，單純從數(shù)據(jù)表面看，二者之間并無(wú)強(qiáng)相關(guān)性，所以，就做線(xiàn)性回歸分析足夠了。
7. 分析過(guò)程
+ 選擇分析——回歸——線(xiàn)性（L）
+ 將自變量、因變量輸入到對(duì)應(yīng)位置。
+ 點(diǎn)擊”統(tǒng)計(jì)量”，配置置信區(qū)間、模型擬合度、D-W值。
（1）置信區(qū)間95%：被測(cè)量參數(shù)的真實(shí)值，有95%的概率落在真實(shí)的預(yù)測(cè)結(jié)果。換句話(huà)說(shuō)，我們做的時(shí)間與搜索熱度的關(guān)系
分析，可信度在95%以上。
（2）模型擬合度：回歸分析，特別是線(xiàn)性回歸分析，最終的二維、三維關(guān)系曲線(xiàn)，實(shí)際上都是根據(jù)變量的變化趨勢(shì)，擬合出
來(lái)的，存在一定誤差。
（3）D-W值：在做回歸分析時(shí)，隨機(jī)誤差項(xiàng)，往往都存在，因?yàn)樽宰兞俊⒁蜃兞恐g，有時(shí)內(nèi)部是存在很多相關(guān)因子的。但是，我們又不希望這些隨機(jī)誤差之間自相關(guān)，換句話(huà)說(shuō)，變量的內(nèi)部之間，不能出現(xiàn)多維關(guān)聯(lián)。
D-W的值越趨近于2，隨機(jī)誤差項(xiàng)（殘差項(xiàng)）之間的相關(guān)性越小，那么，我們建立的回歸模型，就越真實(shí)。
+ 點(diǎn)擊“繪制”，勾選直方圖、正態(tài)概率圖
全部設(shè)置完畢，點(diǎn)擊“確定”，進(jìn)入數(shù)據(jù)分析。
8. 分析結(jié)果（報(bào)告）
D-W=1.602，說(shuō)明回歸模型隨機(jī)誤差項(xiàng)，相關(guān)度較弱，模型可信。
回歸標(biāo)準(zhǔn)化殘差=0.998：說(shuō)明標(biāo)準(zhǔn)化殘差落在（-2,2）區(qū)間以外的概率≤0.05，標(biāo)準(zhǔn)化殘差完全符合標(biāo)準(zhǔn)正態(tài)分布N(0，1)。
95%以上的數(shù)據(jù)測(cè)量值參與正?；貧w擬合，回歸模型良好。
在此基礎(chǔ)之上，我們擬合出來(lái)的曲線(xiàn)，才最接近于真實(shí)值。
那么，由此，我們就大體上可以看出產(chǎn)品的搜索熱度，隨著時(shí)間的大體變化趨勢(shì)。
從而，對(duì)產(chǎn)品的需求趨勢(shì)，就可以從數(shù)據(jù)角度，進(jìn)行一個(gè)客觀性判斷。
更多外貿(mào)運(yùn)營(yíng)技術(shù)，請(qǐng)關(guān)注TradeSNS——基于貿(mào)易大數(shù)據(jù)的SNS跨境電商平臺(tái)。
