本文通過一個例子，講解時間序列，預測男裝銷售額。
首先簡單介紹一下什麼是時間序列分析。
時間序列就是按時間順序排列的一組數據序列。
時間序列分析就是發現這組數據的變動規律並用於預測的統計技術。
首先是初步瀏覽數據，建立時間散點圖。
時間散點圖結果如下：
我們可以看出整體趨勢是逐漸增多，而且趨勢是持續存在的。同時還存在季節性，例如每年的12月銷售額很大，而且這種季節性隨著時間的變化是越來越明顯。即為乘法季節模型。
創建最適當的指數平滑模型包括確定模型類型—此模型是否需要包含趨勢和/或季節—，然後獲取最適合選定模型的參數。
隨著時間的推移，男裝銷售散點圖建議您使用同時包含線性趨勢和乘法季節的模型。這裡暗指 Winters 模型。
首先我們將開發一個簡單模型（即無趨勢也無季節），然後開發一個 Holt 模型（存在線性趨勢但無季節）。此操作將讓您了解模型在什麼時候不適合數據，這是成功構建模型的基本技巧。
如下圖夠著，先建立指數平滑模型，然後再加上時間散點圖，時間散點圖設置如下：
這個空白模型，結果如下：
在散點圖中，男 表示實際數據，$TS-men 則表示時間序列模型。
雖然簡單模型確實顯示了漸進（十分冗長）上升趨勢，但它並未考慮季節。您完全可以拒絕此模型。
下面試著做一個 Holt 線性模型。雖然，此模型的趨勢性會比簡單模型稍強，但它同樣無法捕捉季節。
► 重新打開時間序列節點。
► 在模型選項卡中（依然選擇指數平滑方法），單擊標準。
► 在「指數平滑標準」對話框中，選擇 Holt 線性趨勢。
► 單擊確定關閉此對話框。
► 單擊運行以再次創建模型塊。
雖然，Holt 模型顯示比簡單模型更強的平滑趨勢，但它仍未考慮季節，所以還應放棄此模型。
隨著時間的推移，男裝銷售散點圖建議您使用同時包含線性趨勢和乘法季節的
模型，您可以恢復最初的男裝銷售散點圖。因此 Winters 模型才是更適合的備選方案。
► 重新打開時間序列節點。
► 在模型選項卡中（依然選擇指數平滑方法），單擊標準。
► 在?指數平滑標準?對話框中，選擇 Winters 乘法。
► 單擊確定關閉此對話框。
► 單擊運行以再次創建模型塊。
► 打開時間散點圖節點並單擊運行。
此模型較好，因為它同時反映了數據的趨勢和季節。
此數據集的時間跨度為 10 年，並且包含 10 個季節峰值（出現在每年十二月份）。這 10 個峰值表示與實際數據中的 10 個年度峰值完全匹配的預測結果。