我找不到合适的 ARIMA，谁能帮帮我？答案

【问题标题】：I can not find a suitable ARIMA, can anyone help me?我找不到合适的 ARIMA，谁能帮帮我？
【发布时间】：2020-05-24 01:22:29
【问题描述】：

我正在做时间序列分析，但我找不到适合某个特定序列的单变量 Arima 模型（它仍然显示残差的自相关或并非所有参数都显示显着性）。

我也尝试按 2 的顺序来区分它。

我想知道是否有人可以帮助我？

这是文件： https://drive.google.com/open?id=1lHJx-sR32ZQW-3FVnu45jHiVtneSF44Y

非常感谢！

【问题讨论】：

考虑使用“forecast”包中的auto.arima函数。
非常感谢您的友好回答，我已经这样做了。尽管如此，它建议我订购 0,0,1 但是当我使用函数 checkresiduals 查看残差时，ljung-box 测试显示残差自相关。
这似乎不是适合 Stack Overflow 的特定编程问题。如果您对适当使用各种统计方法有一般性问题，那么您应该通过Cross Validated 询问此类问题。你更有可能在那里得到更好的答案。
非常感谢弗里克先生！我会

标签： r time-series forecasting arima

【解决方案1】：

我同意 MrFlick 的评论，这似乎更像是一个统计问题，而不是编码问题。除此之外，这里有一些可以帮助您入门的提示。

让我们看一下原始时间序列数据。

library(forecast)
autoplot(ts) + theme_minimal()

意识到forecast::auto.arimas 存在异常值、水平偏移和其他“异常”时的限制，auto.arima 建议使用 SARIMA(0,0,1)(1,0,0) 形式的模型12。

请注意，这与您在 cmets 中提到的 ARIMA(0,0,1) 模型不同！我们可以通过写下 SARIMA(0, 0,1)(1,0,0)₁₂ 模型

还有一个 ARIMA(0,0,1) 模型

拟合结果为
```
fit <- auto.arima(ts)
fit
#Series: ts
#ARIMA(0,0,1)(1,0,0)[12] with non-zero mean
#
#Coefficients:
#         ma1    sar1     mean
#      0.3644  0.2302  15.8426
#s.e.  0.1321  0.1298   0.4803
#
#sigma^2 estimated as 5.671:  log likelihood=-149.78
#AIC=307.55   AICc=308.21   BIC=316.31
```

我们看看残差以及它们的 ACF 和 PACF

gg1 <- autoplot(fit$residuals) + theme_minimal()
gg2 <- ggAcf(fit$residuals) + theme_minimal()
gg3 <- ggPacf(fit$residuals) + theme_minimal()
library(ggpubr)
ggarrange(gg1, ggarrange(gg2, gg3, ncol = 2), nrow = 2)

结论

残差的分布看起来“正常”：残差本身看起来或多或少是平稳的，并且在前 9 个滞后时间几乎没有（部分）自相关。 ACF 和 PACF 中滞后 10 的峰值可能表明其他过程，需要进一步调查。

总体而言，ARIMA(0,0,1)(1,0,0)₁₂ 模型似乎可以很好地拟合数据。

PS。由于您在主要帖子中提到了差异：请注意（过度）差异的影响。

样本数据

ts <- structure(c(15.6518870777097, 15.3322867608582, 17.6151603498542,
16.9445877027104, 14.7031828275352, 16.0412944212825, 16.861729056851,
13.452283131823, 13.2855709987104, 16.0124941065535, 16.5882352941176,
13.8099874808736, 16.9928053525937, 13.3337023302153, 15.4694135718804,
14.9111123979385, 16.1105207226355, 16.5585054080629, 13.5606661379857,
15.1856487275761, 20.4671985306778, 16.863711001642, 14.8349514563107,
16.0655394440664, 18.9172303262434, 18.9811320754717, 20.2998379254457,
15.8995316648271, 13.8971057363262, 18.3333810765132, 19.1311805257776,
16.7306443040217, 14.6418822305992, 20.1152852315643, 14.9894158704731,
13.5667766218388, 16.5179451090781, 12.3646258503401, 11.1907676167162,
16.7851016907621, 15.8961621664931, 18.853901818893, 18.216933524391,
16.4258603642395, 12.0362991336538, 14.6222482941739, 13.5002635740643,
11.3637532794897, 11.6990571483548, 17.3600605143722, 11.5196876016922,
17.7933147413488, 18.2443257676903, 16.983016983017, 22.6372784948589,
20.0215707422296, 12.2457223648902, 13.0610780897725, 13.7779017857143,
14.115336856392, 13.2063002533319, 15.7881424524484, 12.9566768310224,
16.7059081202431, 19.0690998564691, 18.4743742550656), .Dim = c(66L,
1L), .Dimnames = list(NULL, "serie"), .Tsp = c(2013.5, 2018.91666666667,
12), class = "ts")

【讨论】：