寻求某种类型的ARIMA解释
Answers:
我建议阅读有关ARIMA建模入门的文章是
麦克莱里（R McCleary）1980年社会科学的应用时间序列分析 ; RA Hay; EE Meidinger; 麦克多沃尔
这是针对社会科学家的，因此数学要求不是太严格。此外，对于较短的治疗方法，我建议使用两本Sage Green书籍（尽管它们与McCleary的书籍完全多余），
- 中断时间序列分析 ，作者：David McDowall，Richard McCleary，Errol Meidinger和JR Richard A. Hay
- Charles W. Ostrom的时间序列分析
Ostrom文字仅是ARMA建模，不讨论预测。我认为它们也不会满足您绘制预测误差图的要求。我相信您也可以通过在该论坛上检查带有时间序列标记的问题来挖掘更多有用的资源。
我将尝试和回应whuber的温和敦促，使其简单地“回答问题”并继续关注话题。我们每月收到144份有关“航空系列”系列的阅读资料。Box和Jenkins由于提供了一个预测，该预测由于反向测井转换的“爆炸性”而异常偏高，因此受到广泛批评。
在视觉上，我们得到的印象是，原始序列的方差随序列水平的增加而增加，表明需要进行转换。但是，我们知道有用模型的要求之一是“模型误差”的方差必须是均匀的。无需假设原始序列的方差。如果模型只是一个常数，即y（t）= u，则它们是相同的。正如/stats//users/2392/probabilityislogic在回应Advice关于解释异质性/异方差的建议时所说的那样明确 “我经常发现有趣的一件事是人们担心的这种“数据非正常性”关于。数据不需要正态分布，但错误项可以做到”
时间序列中的早期工作通常会错误地得出关于无端转换的结论。我们将在这里发现，此数据的补救性转换是将三个指标虚拟序列简单地添加到ARIMA模型中，以反映对三个异常数据点的调整。以下是自相关函数的图，表明滞后12（.76）和滞后1（.948）有很强的自相关。自相关只是模型中的回归系数，其中y是因y的延迟而预测的因变量。
！ 
上面的分析表明，一个模型可以模拟序列的第一个差异，并研究“残差序列”，其性质与第一个差异首先相同。
这项分析再次证实了这样一个观点，即数据中存在一个很强的季节性模式，可以通过包含两个差分算子的模型对其进行补救或建模。
这种简单的双微分产生了一组残差（又称调整序列）或粗略地说是变换序列，证明了非恒定方差，但非恒定方差的原因是残差的非恒定均值。双倍差序列，表明该序列末尾有三个异常。该系列的自相关错误地表明“一切都很好”，可能需要进行任何Ma（1）调整。应注意数据中存在异常提示，因此acf会向下偏移。这就是所谓的“爱丽丝梦游仙境效应”，即当违反某种假设而掩盖了没有明显结构的原假设时，即接受该假设。
我们在视觉上检测到三个异常点（117,135,136）
检测异常值的这一步骤称为“干预检测”，可以按照以下Tsay的工作轻松地或不那么容易地进行编程。
如果我们在模型中添加三个指标，我们将得到
然后我们可以估计
并接收残差和acf的图
该acf建议我们向模型添加潜在的两个移动平均系数。因此，下一个估计的模型可能是。
屈服
然后，可以删除不重要的常量，并得到一个改进的模型：
我们注意到，不需要任何幂变换就可以得到一组具有恒定方差的残差。请注意，这些预测不是爆炸性的。
根据一个简单的加权和，我们有：13个权重；3非零且等于（1.0.1,0。，-1.0）
该材料以非自动的方式呈现，因此在进行建模决策时需要用户交互。
我建议使用艾伦·潘克拉茨（Alan Pankratz）的单变量框预测-詹金斯模型：概念和案例。这本经典的书具有您要求的所有功能：
- 使用最少的数学
- 将讨论从构建模型扩展到使用该模型预测特定案例
- 使用图形和数值结果来表征预测值和实际值之间的拟合度。
唯一的缺点是它于1983年印刷，可能没有最新的进展。出版商将于2014年1月发行第二版，并进行了更新。
ARIMA模型只是加权平均值。它回答了双重问题。
- 我应该使用多少个周期（k）计算加权平均值
和
- 精确地，k的权重是多少
它回答了处女的祈祷，以确定如何调整到先前的值（和先前的ALONE值）以投影序列（这实际上是由未指定的因果变量引起的），因此ARIMA模型是穷人的因果模型。