arima模型的建模步骤_R语言时间序列分析（十二）：ARIMA

作者：黄天元，复旦大学博士在读，热爱数据科学与开源工具（R），致力于利用数据科学迅速积累行业经验优势和科学知识发现，涉猎内容包括但不限于信息计量、机器学习、数据可视化、应用统计建模、知识图谱等，著有《R语言数据高效处理指南》（《R语言数据高效处理指南》(黄天元)【摘要 书评 试读】- 京东图书，《R语言数据高效处理指南》(黄天元)【简介_书评_在线阅读】 - 当当图书）。知乎专栏：R语言数据挖掘。邮箱：[email protected].欢迎合作交流。

ARIMA，全称Autoregressive Integrated Moving Average model，差分整合移动平均自回归模型，或称整合移动平均自回归模型，时间序列分析经典预测方法之一，涉及平稳、差分、自回归、滑动平均等多个基本概念，感兴趣请移步Chapter 8 ARIMA models | Forecasting: Principles and Practice。这里仅对预测流程的实现进行讲解，这也并不是一个简单的过程，包括：

1、可视化观察看是否有异常值；

2、如果需要的话，对数据进行转化，让时间序列平稳；

3、如果仍然不平稳，使用差分法（一阶差分、二阶差分...）让其平稳；

4、差分后，用ACF/PACF图对其进行定阶；

5、选出一系列的模型，然后使用AICc等标准对其效果进行评估，选出最优模型；

6、对模型进行残差分析，查看残差是否为白噪音；

7、如果是白噪音