时间序列分析教程（六）：Box-Jenkins方法（下）

之前介绍了如何判断序列的平稳性，如何对非平稳序列进行转换，其实整个过程就是Box-Jenkins的第一个阶段。

重新叙述以下这个过程，首先，我们拿到一段时间序列，可以画图初步判断是否平稳，假设不平稳，再画出SACF和SPACF，进一步判断有没有趋势性和季节性，如果有，就尝试之前介绍的方法，把序列转化为平稳序列，得到平稳序列之后，再画一次SACF和SPACF，根据它们判断用MA、AR还是ARMA模型。

至于怎么确定模型的阶数，AR（P）的话，看SPACF的图像，如果SPACF具有截尾性，即在lag>p时接近0（在0的小范围内波动），则阶数为p。对于MA（q），则是看SACF，如果lag>q时接近0，则阶数为q。

至于ARMA，分析起来没有AR和MA那么简单，一般只能从ARMA（1，1）出发，建模后分析模型残差是否接近白噪声，如果不是就继续尝试ARMA（1，2）和ARMA（2，1），即使是，也还是要试一下，看模型效果有没有显著提升。

一般来说，我们会尝试建立几个不同阶数的模型，然后通过对比AIC，分析哪个模型表现最好。

虽然到目前为止，我们只是建立了模型，但基本上已经完成了大部分的工作了，毕竟后面的参数估计，直接交给计算机做就行，最后，我们再来讨论一下，建立模型之后怎么对模型进行评价。

第一种方法是看模型的残差图，如果模型的残差接近白噪声，那么参数图就不会出现任何模式特征。如果我们可以看到一种趋势或者变化规律，那么模型就不够好了，我们就需要分析一下哪里出问题了。

第二种方法是看SACF和SPACF，如果很多数值都落在±2/√5之外，模型就可能不够好了。

最后我们还可以进行Ljung-Box chi-squared test。

最后，再讲一下怎么用模型做预测，主要是讲一下非平稳序列的情况，因为对非平稳序列，我们需要做转化，比如我们通过一次差分运算转化为平稳序列，可是这个序列是差分的结果，模型分析的也是差分的结果，那么怎么用这个针对差分结果的模型预测原来的数据呢，我们只需要通过模型计算最新时刻的差分，再加上最新时刻的数据，就得到下一时刻的数据预测了。

所以，其实如果我们对数据做了变换，做预测的时候，就需要先预测变换后的数据，再转化为原来的数据，就得到原本的时间序列的预测了。

以上，就是时间序列的一个完整建模分析过程。

在github写的自然语言处理入门教程，持续更新：NLPBeginner

在github写的机器学习入门教程，持续更新：MachineLearningModels

想浏览更多关于数学、机器学习、深度学习的内容，可浏览本人博客