arima模型適用於非平穩時間序列資料，其中的i表示差分的次數，適當的差分可使原序列成為平穩序列後，再進行arima模型的建模。
其建模步驟與arma模型類似，分為5個步驟：
平穩: 通過差分的手段，對非平穩時間序列資料進行平穩操作。
定階: 確定arima模型的階數p, q。
估計: 估計未知引數。
檢驗: 檢驗殘差是否是白雜訊過程。
**: 利用模型**。
對應的，在商業領域，時間序列**應遵循如下建模流程。
步驟1: 這是必需的，如果不看時間序列的圖形，就不能確定是否有季節性。可能有人認為，既然sarimax函式的功能可以涵蓋arima函式，那就可以統一使用sarimax函式遍歷所有引數得到最優模型。但是這樣做是不可取的，因為sarimax函式的引數過多，模型的估計結果不穩定，因此如果資料沒有季節行，應盡量選擇arima函式進行估計。
步驟2: 引數選取範圍在(0，1，2)中即可，很少有引數超過2的情況，即使真的超過2，第3階的資訊也很少，可以忽略。實在有問題，還可以在步驟4中通過**參差的情況判斷是否擴大搜尋空間。選取最優模型的依據為aic或bic統計量。aic統計量選取的模型較大，即模型引數較多；bic統計量選取的模型較小，即模型引數較少。不過絕大部分情況下兩個統計量得到的模型是一樣的。
步驟3: 使用上一步得到的最優模型進行重新模型估計。模型估計好，可以檢視模型的引數。本步驟並沒有進行時間序列的平穩性校驗，這有兩個考慮: 一是平穩性檢驗的方法眾多，statsmodels中提供的adfulle函式其實是聊勝於無，使用者不大；二是目前統計學界提供的平穩型檢驗方法的勢（power）都不高，也就是說檢驗結果不那麼有用處。實際上相關係數為0.9以上的ar(1)和arima(0, 1, 0)是不能通過平穩型校驗區分開的。因此索性不做平穩型檢驗，僅依靠aic或bic統計量來判斷最優模型即可。
步驟4: 該步驟目的是確認模型正確性。如果參差序列的前幾階(比如5階)自相關，偏自相關函式沒有顯著的，則說明已經是最優模型。統計學參考書中會使用dw檢驗（德賓-沃爾森檢驗），q-q檢驗，q檢驗，其實和檢視自相關函式區別不大。
步驟5: 本步驟中，如果之前資料取了自然對數，則在使用模型**後，要對資料取自然指數。
資料分析 建模評價
模型搭建 模型評估 1 模型搭建 處理後的資料就是建模資料，下一步是選擇合適模型。模型選擇之前需要知道資料集最終是進行監督學習還是無監督學習。模型的選擇一方面是通過我們的任務來決定的，另一方面可以根據資料樣本量以及特徵的稀疏性來決定，開始嘗試使用乙個基本的模型來作為其baseline，進而再訓練其他...
大資料分析步驟及分析方法詳解
1 識別目標需求 首先必須明確資料分析的目標需求，從而為資料的收集和分析提供清晰的方向，該步驟是資料分析有效性的首要條件。2 採集資料3 資料預處理 對資料進行必要的預處理，常用的資料預處理方法包括 資料整合 資料清洗 資料去冗餘。4 資料探勘 資料探勘的目的是在現有資料基礎之上利用各類有效的演算法...
資料分析基本步驟
異常值處理 檢測 使用基於統計 距離 密度的方法進行異常值檢測 處理 刪除異常值或使用魯棒性強的模型 資料轉換 常見的檔案格式與格式轉換 json csv excel 資料操作 資料切片 資料去重 資料複製 資料離散化 等距離散化 等頻離散化 聚類離散化 資料標準化 z score標準化 loges...