箱詹金斯差分对ARIMA估计
这个例子说明了如何使用估计与非季节性集成的ARIMA模型估计。该系列产品是不是之前估计求差。结果进行比较，以一个Box-詹金斯建模策略，其中，所述数据被第一求差，然后建模为固定的ARMA模型（Box等人，1994）。
时间序列为季度澳大利亚消费者价格指数（CPI）从1972年到1991年测量的日志。
加载数据
加载并绘制澳大利亚CPI数据。
加载Data_JAustralianY = DataTable.PAU;T =长度（Y）;图图（Y）;H = GCA;％定义的手柄为当前轴h.XLim = [0，T];％设定x轴限制h.XTickLabel = datestr（日期（1：10：T），17）;％标签的x轴的刻度线标题（“日志季度澳大利亚CPI”）
这个系列是非平稳的，有明显的上升趋势。这建议在使用平稳模型（如Box-Jenkins方法论所建议的）或直接拟合非平稳ARIMA模型之前对数据进行差分。
估计的ARIMA模型
指定一个ARIMA（2,1,0）模型，并估算。
MDL = ARIMA（2,1,0）;EstMdl =估计（MDL，Y）;
ARIMA（2,1,0）模型（高斯分布）：值StandardError的TStatistic p值__________ _____________ __________ __________常数0.010072 0.0032802 3.0707 0.0021356 AR {1} 0.21206 0.095428 2.2222 0.026271 AR {2} 0.33728 0.10378 3.2499 0.0011543方差9.2302e-05 1.1112e-05 8.3066 9.8491e-17
估计模型
哪里 通常与标准偏差0.01分布。
估计AR系数的符号对应的模型方程右边AR系数。在滞后算子多项式表示法，拟合模型
与AR系数相反的符号。
差别有关的数据之前估计
取数据的第一个区别。估计使用所述数据求差的AR（2）模型。
DY = DIFF（Y）;MdlAR = ARIMA（2,0,0）;EstMdlAR =估计（MdlAR，DY）;
ARIMA（2,0,0）模型（高斯分布）：值StandardError的TStatistic p值__________ _____________ __________ _________常数0.010429 0.0038043 2.7414 0.0061183 AR {1} 0.20119 0.10146 1.9829 0.047375 AR {2} 0.32299 0.11803 2.7364 0.0062115方差9.4242e-05 1.1626e-05 8.1062 5.222e-16
参数的点估计是非常相似的EstMdl。当数据被估计之前的求差标准误差，但是，更大。
预测利用估计AR模型（发EstMdlAR）将在差分规模。预测利用估计ARIMA模型（发EstMdl）将在相同的比例作为原始数据。
参考文献：
盒，G. E. P.，G. M.詹金斯，和G. C.赖因泽尔。时间序列分析：预测与控制。第3版。新泽西州Englewood Cliffs：Prentice Hall出版社，1994年。
也可以看看
应用
对象
功能
相关的例子
更多关于
您还可以选择从下面的列表中的网站：
