搞外贸独立站运营的人，相信大家都接触过Google Trend。
它能够分析产品关键词的偏离度、产品本地化、区域化的热度和上升/下降趋势。
但是，很多时候，我们在搜索产品的时候，看到的产品趋势，都是没有任何周期性的波动，就像没有解调之前无线电的杂波一样。
怎么办？
今天给大家介绍SPSS数据分析——线性回归分析，在复杂产品趋势中的应用。
操作步骤如下：
1. 获取SPSS数据分析软件包
微信扫描并关注——TradeSNS公共号，回复“SPSS数据分析”，将得到破解版，SPSS数据分析软件包（内附激活码）
2. SPSS安装与激活
SPSS的安装时，前几步与其他软件安装流程一样，大家点击“确定”或者“下一步”就OK。
当弹出“产品授权”界面时，我们仍然点击“下一步”，
这个时候，会出现“输入代码”，大家将软件包里的“SPSS20无期限授权号”里面的激活码，复制粘贴过来，然后点击“下一步”，完成激活。
3. 数据采集
回到Google Trend界面，输入自己要查询的产品关键字，选择查询的时间序列，点击右上方下载按钮，保存本地。
4. 数据清洗与数据挖掘
我们主要用产品趋势数据，分析产品搜索量随着时间变化的响应趋势（时域响应），时间的间隔为1个月，不存在缺失项，所以，就产品趋势的贸易数据而言，数据清洗和挖掘可以跳过。
大家也不是搞数据的，没必要把时间，用在数据挖掘的算法上面。神经网络、贝叶斯控制，与我们无关。
5. 数据导入
打开安装好的SPSS数据软件，点击左上方文件图样按钮，选择刚刚下载的Google Trend数据（csv格式），将其导入到SPSS。
数据格式，选择“时间/日期”，将其设定为yy/mm/dd（个人习惯，大家可以根据自己的习惯，设置不同的时间表现形式）。
导入数据之后，我们要针对数据属性、分析目的进行简单设置。我们把”时间“当做输入，“搜索热度”作为输出。
6. 选择合适的数据分析方法
我们这次演示的案例，主要是产品搜索热度随时间的变化规律，所以，选择线性回归分析，来判断两者的线性关系。
当然，如果是研究肺癌与吸烟的关系，还要计算数据降噪处理、多元回归计算相关系数、复杂抽样、计算生存函数等等。
今天这个例子，单纯从数据表面看，二者之间并无强相关性，所以，就做线性回归分析足够了。
7. 分析过程
+ 选择分析——回归——线性（L）
+ 将自变量、因变量输入到对应位置。
+ 点击”统计量”，配置置信区间、模型拟合度、D-W值。
（1）置信区间95%：被测量参数的真实值，有95%的概率落在真实的预测结果。换句话说，我们做的时间与搜索热度的关系
分析，可信度在95%以上。
（2）模型拟合度：回归分析，特别是线性回归分析，最终的二维、三维关系曲线，实际上都是根据变量的变化趋势，拟合出
来的，存在一定误差。
（3）D-W值：在做回归分析时，随机误差项，往往都存在，因为自变量、因变量之间，有时内部是存在很多相关因子的。但是，我们又不希望这些随机误差之间自相关，换句话说，变量的内部之间，不能出现多维关联。
D-W的值越趋近于2，随机误差项（残差项）之间的相关性越小，那么，我们建立的回归模型，就越真实。
+ 点击“绘制”，勾选直方图、正态概率图
全部设置完毕，点击“确定”，进入数据分析。
8. 分析结果（报告）
D-W=1.602，说明回归模型随机误差项，相关度较弱，模型可信。
回归标准化残差=0.998：说明标准化残差落在（-2,2）区间以外的概率≤0.05，标准化残差完全符合标准正态分布N(0，1)。
95%以上的数据测量值参与正常回归拟合，回归模型良好。
在此基础之上，我们拟合出来的曲线，才最接近于真实值。
那么，由此，我们就大体上可以看出产品的搜索热度，随着时间的大体变化趋势。
从而，对产品的需求趋势，就可以从数据角度，进行一个客观性判断。
