使用 ARIMA（自回歸移動平均）時間序列模型來檢驗自相關性，描述模式（趨勢和季節性），並預測未來時間段。
ARIMA模型
- 從開啟的 JMP ®資料表中，選擇「分析」>「專用建模」>「時間序列」 。
- 從「選擇列」中選擇一個連續變量，然後按一下「Y，時間序列」 （連續變數帶有藍色三角形）。
- 選擇一個時間變量，然後按一下X，時間 ID （可選）。按一下確定。
注意：資料必須按時間排序且等間距。如果未使用時間變量，JMP 將假定資料間距相等。
自相關 (ACF) 和偏自相關 (PACF) 圖表顯示 ARIMA 模型具有 AR 的季節性成分 (1) 和非季節性成分 (2)。
- 點選頂部的紅色三角形，選擇「季節性ARIMA」。輸入如圖所示的數值（右圖），然後點選「估計」 。 JMP 將顯示模型結果。
- 對於擬合的模型，檢查 ACF、PACF 和殘差圖，以確定是否應該擬合不同的模型。
在這裡，我們重複步驟 4，將「3」加入q， ARIMA下的移動平均訂單。
JMP 提供了一份模型對比報告（見下文），該報告顯示新模型更符合數據（根據 AIC 和 SBC 等指標）。點擊並拖曳報告底部的滑桿即可查看所有統計資料。
Steel Shipments.jmp (Help > Sample Data Folder > Time Series)鋼鐵出貨量.jmp（幫助 > 範例資料資料夾 > 時間序列）
- 若要同時擬合一系列 ARIMA 或季節性 ARIMA 模型，請從頂部紅色三角形中選擇ARIMA 模型組。
- 頂部紅色三角形下方提供了其他選項，例如變異函數、光譜密度、差值、平滑模型和預測期數。
- ARIMA 模型要求時間序列是平穩的。如果序列存在趨勢，差分可以消除這種趨勢。如果序列的變異數不平穩，取對數可能會有所幫助。
- 若要使用輸入變數預測時間序列，請使用傳遞函數（在「時間序列」對話方塊視窗中使用「輸入清單」欄位）。傳遞函數模型也稱為具有輸入序列的 ARIMA 模型。
造訪JMP 幫助中的「預測和專用模型 > 時間序列分析」以了解更多資訊。
