平稳时间序列我有一个时间序列（Occ（％职业）与时间戳cfr。 附件中的时间序列模型），其中自相关函数显示缓慢衰减，表明非平稳性，但 ADF 检验均为负值，表明 Occ 时间序列平稳。 哪个标准是正确的？ 我使用 ARMA 和 ARIMA（差分）模型得到了非常好的结果。 考虑到慢衰减自相关函数，我能否评估非差分 (4,2) ARMA 模型是否可靠？ 或者说差异化是必要的吗？ 备注：只有在两次差分操作之后 ACF 和 PCF 才变得相似，表明平稳性。 亲切的问候弗兰克
回复：平稳时间序列您好，非常感谢您的意见。 仅供参考，我使用的是 JMP 13.1 版本。
事实上，每日模式是不同的，您的意思是，如果每天的模式都具有特征（如指纹），那么可以在差分后为每个模式创建一个预测时间序列模型？ 不幸的是，日常模式可能会受到假期等的干扰，所以我认为这并不总是有效？
我使用测试集（所有新数据）进行了几次模拟，我的简单 ARMA (4,2) 模型预测在最多 45 分钟内表现良好，之后尽管趋势保持不变，但开始出现强烈偏差。
我对保存的预测公式有疑问：它没有保存在原始数据表的最后一列中（如 jmp 教程中所述），而是保存在新的“无标题”数据表中？ 你是否也遇到这样的情况呢？ 至于预测公式本身，() - (数字) 的含义是什么？那个数字意味着什么？ 它可以与等式顶部的数字不同吗？ 问候，弗兰克
回复：平稳时间序列很抱歉，我没有时间提出详细的解决方案。但希望这能提供一些线索：
- 周日的日常模式与一周中的其他日子有很大不同，周五和周六的使用率要高得多。
- 我会尝试按天创建一个周期并使用偏差模型（删除周期）。
- 我可能会使用可调节的平滑，我很幸运使用 Trigg & Leech 方法，当偏差很大时调整 lambda，以便它能够赶上。
当然，您的 R 方会比实际预测更大，因为您正在使用所有数据。 您可能想要采用类似于控制图的方法。您需要在早期创建基线模式（模型），然后在剩余期间使用该模型，并且真实的 R 方将基于实际的残差 - 预测模型中未包含的数据。
最后，我会放置一个监视器（控制图）来标记模型何时不再能够很好地预测，特别是如果您需要对不断升级的使用情况做出快速响应。
您应该发布 JMP 或 JMP PRO 的版本以及操作系统。 对于这种类型的“过程”，有一些新的平台和方法可能比时间序列更有用。
回复：平稳时间序列您好，感谢您的评论和努力澄清平均演变，不寻常的房间占用模式确实是万圣节。
我们研究的目标是预测未来 15 - 60 分钟内的房间占用水平，因此我们需要保持在 15 分钟的滞后间隔内，并尝试构建可靠的时间序列模型。 您正确地提到有很强的每日周期，所以我认为季节性差异是必要的？ 然而这样做，几次季节性都没有消失，真是让人摸不着头脑。 更令人惊讶的是，我检查的所有模型（无论是否有差异）的收益率 R² > 99%！ 好得令人难以置信，这里的分析是否存在根本性错误？
回复：平稳时间序列https://en.wikipedia.org/wiki/Augmented_Dickey%E2%80%93Fuller_test指出“测试中使用的增强迪基-富勒 (ADF) 统计量是负数。 负数越多，对存在单位根的假设的拒绝就越强烈......”零均值 ADF 并不显着，但这可能是由于数据中的每日周期所致。
我添加了日期、星期几和一天中的时间列。 下面是按星期几和一天中的时间划分的 OCC 变化图。黑线是一周中每一天的平均模式。注意 2018 年 11 月 1 日有一个不寻常的模式（万圣节后的第二天）。
回复：平稳时间序列除了我前面的问题之外，我对保存的预测公式的位置也有疑问；我希望它能像其他模型一样保存在数据表的最后一列中。 在这里，在时间序列分析中，模型保存在新的“无标题”数据表中？ 这个可以调整吗？
