使用 ARIMA（自回归移动平均）时间序列模型来检验自相关性，描述模式（趋势和季节性），并预测未来时间段。
ARIMA模型
- 从打开的 JMP ®数据表中，选择“分析”>“专用建模”>“时间序列” 。
- 从“选择列”中选择一个连续变量，然后单击“Y，时间序列” （连续变量带有蓝色三角形）。
- 选择一个时间变量，然后单击X，时间 ID （可选）。单击确定。
注意：数据必须按时间排序且等间距。如果未使用时间变量，JMP 将假定数据间距相等。
自相关 (ACF) 和偏自相关 (PACF) 图表明 ARIMA 模型具有 AR 的季节性成分 (1) 和非季节性成分 (2)。
- 点击顶部的红色三角形，选择“季节性ARIMA”。输入如图所示的值（右图），然后点击“估计” 。JMP 将显示模型结果。
- 对于拟合的模型，检查 ACF、PACF 和残差图，以确定是否应该拟合不同的模型。
在这里，我们重复步骤 4，将“3”添加到q， ARIMA下的移动平均订单。
JMP 提供了一份模型对比报告（见下方），该报告显示新模型更符合数据（根据 AIC 和 SBC 等指标）。点击并拖动报告底部的滑块即可查看所有统计数据。
Steel Shipments.jmp (Help > Sample Data Folder > Time Series)钢铁出货量.jmp（帮助 > 示例数据文件夹 > 时间序列）
- 要同时拟合一系列 ARIMA 或季节性 ARIMA 模型，请从顶部红色三角形中选择ARIMA 模型组。
- 其他选项，如变异函数、谱密度、差值、平滑模型和预测期数，可在顶部红色三角形下找到。
- ARIMA 模型要求时间序列是平稳的。如果序列存在趋势，差分可以消除这种趋势。如果序列的方差不平稳，取对数可能有所帮助。
- 要使用输入变量预测时间序列，请使用传递函数（在“时间序列”对话框窗口中使用“输入列表”字段）。传递函数模型也称为带有输入序列的 ARIMA 模型。
访问JMP 帮助中的“预测和专用模型 > 时间序列分析”了解更多信息。
