Auto ARIMA 时间序列预测

先分清目标是把一条历史序列往前推，还是检验平稳、做多变量动态或刻画波动。单序列水平/差分预测用 Auto ARIMA；尚未确认是否该差分时用 ADF；要问「X 的过去值能否帮助预测 Y」用格兰杰因果；条件异方差用 GARCH。普通线性回归把期数当自变量，忽略残差自相关，不宜代替 ARIMA。

• Auto ARIMA：1 个定量预测目标，0–1 个时间变量，0–1 个分组；自动选 (p,d,q) 并默认外推 5 期。

• ADF 单位根检验：判断水平序列是否需差分，避免伪回归。

• 灰色预测 GM(1,1)：短序列、准指数趋势的另一套外推。

• VAR / 格兰杰因果：多条序列之间的动态与预测关系。

• GARCH：关注的是波动率而不是条件均值路径。

输入

预测目标须为定量。时间变量可为时间或定量（年份、期数）；缺失按所用列删行后，按时间排序。分组变量可选，须为定类，各组独立拟合。

• 预测目标：最少 1 个，最多 1 个，定量。

• 时间变量：最少 0 个，最多 1 个，时间或定量。

• 分组变量：最少 0 个，最多 1 个，定类。

输出

参数表给出最优 ARIMA(p,d,q) 的系数、标准误、z、P 值与 95% 区间，表注含 AIC、BIC、RMSE、MAE、MAPE 与 Ljung–Box 残差检验。第二张表是未来各期预测值及 95% 区间。图叠加历史、拟合与预测带。分组时改为各组首期预测对比，并缩短每组可用历史。

产品限制

• 至少需要 10 个连续有效历史点。

• 单序列拟合最多使用最近 120 期；分组时每组最多 80 期。

• 搜索空间为非季节模型：p ≤ 3，q ≤ 3，d ≤ 2，p+q 上限 5，逐步搜索。

• 默认外推 5 期（与本教学示例的 2025–2029 一致）。

• 不含季节 ARIMA / SARIMA 项；季节性需在建模前处理或改用其他方法。

研究问题。 一份年度产值序列从 2005 记到 2024，需要自动选定 ARIMA 阶数，并给出未来 5 年的点预测与 95% 区间，供规划对照，而不是解释某一政策的因果效应。

教学示例来自时间序列表，工作表为「annual」，有效期数 20（年份、产值）。运行时预测目标选「产值」，时间变量选「年份」。本页最优模型为 ARIMA(2, 1, 1)，样本内 MAPE = 8.52%，残差 Ljung–Box P = 0.998。下载后可在工作台按同样角色复现两张表。

下载教学示例表（时间序列）

1. 步骤 1 · 上传表格

   打开工作台，将 Excel / CSV / JSON 拖入上传区。本案例使用时间序列 xlsx，确认工作表为「annual」。单文件不超过 20 MB。

2. 步骤 2 · 查看画像与质量

   确认「产值」为定量、「年份」为时间或定量，按年连续、无明显错行。不要把截面 ID 当作时间。

3. 步骤 3 · 选择「Auto ARIMA 时间序列预测」

   在算法目录搜索「ARIMA」或「时间序列预测」，点选 Auto ARIMA。

4. 步骤 4 · 指定变量并运行

   预测目标勾选「产值」；时间变量勾选「年份」。若要分门店预测，再把定类列放到分组（最多 1 个）。点击运行分析。

5. 步骤 5 · 阅读结果

   先看选中的 (p,d,q) 与 AIC，再看 MAPE / Ljung–Box，最后读未来 5 期预测与区间。单个 AR/MA 系数不显著，不等于模型选择失败。

下表由 2005–2024 年产值（20 期）在 StatsX 中运行 Auto ARIMA 得到。信息准则选定 ARIMA(2, 1, 1)，AIC = 102.34，BIC = 107.06。AR(1)、AR(2)、MA(1) 的 P 值均大于 0.05：这是逐步搜索在小样本上的常见现象——选阶看 AIC/BIC 与残差诊断，不要求每个滞后系数都显著。MAPE = 8.52%，Ljung–Box P = 0.998，残差接近白噪声，说明线性时序依赖已被当前差分与滞后吸收。

外推 5 期：2025 年点预测 81.28（95% 区间 76.30–86.26），之后逐年上升，2029 年 91.99（86.62–97.36）。区间随步长变宽，符合预测方差累积；不要把区间中点当成已经实现的产值。

【Auto-ARIMA·最优模型】目标变量=『产值』，经自动网格定阶最优模型为 ARIMA(2, 1, 1)，AIC=102.34，BIC=107.06。

解读顺序：历史期数是否够 10 → 差分阶数 d 是否与趋势/单位根直觉一致 → AIC 选定的 (p,d,q) → MAPE 与 Ljung–Box → 预测区间是否随步长变宽。本方法是外推，不是政策评估：产值上升不能解释为某一干预的因果效应。若残差仍有季节峰，说明非季节 ARIMA 不够，需要在数据侧处理季节或改方法，而不是继续加大 p、q 硬套。

非季节 ARIMA(p,d,q) 把差分后的序列写成自回归与移动平均之和。以算子 L 表示滞后，本案例选定的 ARIMA(2,1,1) 为：

StatsX 在 p≤3、q≤3、d≤2 且 p+q≤5 的网格上逐步搜索，用 AIC（及报告中的 BIC）选阶：

样本内 RMSE、MAE、MAPE 衡量拟合精度；Ljung–Box 检验残差是否仍有自相关。预测区间来自模型在未来 h 步的预测误差方差（本页为 95%）。历史超过 120 期时只保留最近 120 期再拟合，避免过长序列拖慢搜索并让早期断裂主导定阶。

• 信息准则选阶不是唯一真理：还要看残差白噪声、MAPE 以及（若有）样本外检验。

• 单个 AR/MA 系数不显著时，仍可保留 AIC 最优模型；不要只根据 P 值删滞后再宣称「重新定阶」。

• 本方法不做季节项；月度/季度高峰会被误吸入差分或短滞后，预测易在旺季失准。

• 结构断裂、政策台阶会让全样本一套 (p,d,q) 失真，必要时分段或先处理异常点。

• 预测区间假定未来仍由同一线性机制生成，不能覆盖机制切换。

• 分组后每组历史被截到 80 期且须满 10 点，过短的组会被跳过。

定阶之前常先检验平稳性；若问题转向多序列或波动率，改用下列方法。

• 王燕. 应用时间序列分析[M]. 中国人民大学出版社.

• Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. Time Series Analysis: Forecasting and Control[M]. Wiley.

• Hyndman, R. J., & Athanasopoulos, G. Forecasting: Principles and Practice[M]. OTexts.

• Hyndman, R. J., & Khandakar, Y. Automatic Time Series Forecasting: The forecast Package for R[J]. Journal of Statistical Software, 2008, 27(3): 1–22.