假设你是一位大厨，每天负责煲一锅汤。今天这锅汤好不好喝，其实取决于三件事：第一，锅底稳不稳——汤面是不是像开了锅一样翻滚（那是“趋势”在捣乱）；第二，你记不记得自己前几天的味道——昨天咸了今天就会少放盐（那是“自回归”）；第三，你能不能从最近几次调味失误里吸取教训，适当回调（那是“移动平均”）。ARIMA 这个老牌时序预测模型，本质上就是把这三板斧——差分、自回归、移动平均——写成同一张“菜谱”：先撇掉趋势的浮沫，再让序列用自己的历史值和历史失误来预测未来。它不炫技，却极其可靠，至今仍是销量、经济指标等单变量预测的标准基线。

岗位关联

掌握 ARIMA，是你时序预测生涯的第一块地基：面试常考、业务常用，更重要的是它为你后来理解 Prophet、LSTM 等一切更复杂的时序模型提供了对照的“参照系”。

目录
  1. 可视化演示
  2. 三件套构成：认识 ARIMA 的统一菜谱
  3. 差分平稳化：撇掉趋势这层“浮沫”
  4. 自回归记忆：参考自己的老味道
  5. 移动平均纠偏：记住调味失误的教训
  6. 建模流程：定阶五步，从备料到尝渣
  7. 预测与评价：端出成品与置信区间
  8. 局限与替代：这锅汤不是万能的
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示ARIMA模型的差分平稳化过程和预测置信区间，直观理解p/d/q三参数的作用。

本节配有交互动效（进入视口后自动加载，约 3KB）。

ARIMA(p,d,q)分解过程 原始序列：含趋势+季节+噪声，非平稳 差分d次：去除趋势，化为平稳序列 AR(p)+MA(q)：建模自回归与移动平均 ARIMA(p,d,q): Δᵈyₜ = AR(p) + MA(q) 差分使序列平稳，AR/MA捕捉时序依赖

三件套构成：认识 ARIMA 的统一菜谱

老练的大厨每天煲汤靠的是什么？无非三句话：锅底必须稳，火候要有记忆，失误要能纠偏。这三句话，恰好对应 ARIMA 的三个字母：A 是自回归（AR），I 是差分整合（I），MA 是移动平均——一页纸，三味料，合成一张统一菜谱。

在时序预测里，我们面对的大多数业务数据——日销量、股价、访问量——并不安分：它们要么带着整体上升的天花板（趋势），要么围绕平均值忽高忽低。ARIMA 的思路是：先差分把趋势去掉，得到一个平稳的新序列；然后用“自己的历史值”（自回归）和“历史预测误差”（移动平均）共同解释它。这就是“差分整合移动平均自回归”这个拗口名字的全部含义。

把三个组件写进同一行方程，就得到 ARIMA(p,d,q) 的模型结构：

可见 ARIMA 并不神秘：它不过是用一张公式把“撇浮沫、用老配方、记失误”三件事缝在了一起。接下来每一节，就是把这三件事逐个拆开看。

yt′=c+∑i=1pϕiyt−i′+∑j=1qθjεt−j+εt,yt′=(1−B)dyt\displaystyle y'_t = c + \sum_{i=1}^{p}\phi_i y'_{t-i} + \sum_{j=1}^{q}\theta_j \varepsilon_{t-j} + \varepsilon_t, \qquad y'_t = (1-B)^d y_t
通俗理解：这行公式像一份菜谱——先焯水（差分 d），再按老配方的克数抓料（AR 的 p 项），最后按前几勺的偏差补盐（MA 的 q 项），今天的随机扰动则像撒进去的一撮葱花。
  1. 差分因子 y′_t方程先对原始序列做 d 次差分，得到平稳的中间序列 y′_t，相当于先把汤底的浮沫撇掉。
    yt′=(1−B)dyt\displaystyle y'_t = (1-B)^d y_t
  2. 自回归求和项把前 i 天的自身取值乘上系数 φ_i，再对 i=1 到 p 求和，就是“昨天咸了今天少盐”的记忆调味。
    ∑i=1pϕiyt−i′\displaystyle \sum_{i=1}^{p}\phi_i y'_{t-i}
  3. 移动平均求和项把前 j 天的预测误差 ε 乘上系数 θ_j 求和，相当于按最近的调味失误做回调。
    ∑j=1qθjεt−j\displaystyle \sum_{j=1}^{q}\theta_j \varepsilon_{t-j}
  4. 常数与白噪声c 是汤底的基准味，ε_t 是今天的独立随机扰动，服从均值为 0、方差固定的白噪声分布。
    c+εt,εt∼WN(0,σ2)\displaystyle c + \varepsilon_t, \quad \varepsilon_t \sim WN(0,\sigma^2)

差分平稳化：撇掉趋势这层“浮沫”

一锅汤滚得越猛，汤面翻得越高——你可以把“趋势”想象成火太旺造成的浮沫：它让汤面（均值）不断抬升，无法稳定。此时下任何料都判断不准咸淡。所以第一板斧，就是“撇浮沫”，统计学里叫“差分”。

差分操作朴素得惊人：用今天的值减去昨天的值，就把“每天固定上涨的那一截”削掉了。如果你观察到的上涨速度本身还在变化（比如销量的增速在加快），那就再差一次，做二阶差分。数学上，一阶差分用符号 Δ 表示：

怎么知道浮沫撇干净了？用 ADF 检验：它的原假设是“这条序列仍然不平稳”，当 p 值小于 0.05 时拒绝原假设，我们才敢说汤底稳了。实践中 d 一般只取 0、1、2，绝不是越多越好——撇过头，汤的营养（真实信息）也被倒掉了。

Δyt=yt−yt−1,Δ2yt=yt−2yt−1+yt−2\displaystyle \Delta y_t = y_t - y_{t-1}, \qquad \Delta^2 y_t = y_t - 2y_{t-1} + y_{t-2}
通俗理解：一阶差分是“今天比昨天多赚了多少”，二阶差分是“今天这个差值比昨天那个差值又变了多少”——把趋势和趋势的变化都撇掉，汤底就平静了。
  1. 差分号 Δ表示“今天减昨天”的取差运算，一阶差分写成 Δy_t，是差分整合（Integrated）的最小动作。
    Δyt=yt−yt−1\displaystyle \Delta y_t = y_t - y_{t-1}
  2. 二阶差分展开对一阶差分再差一次，展开后得到 y_t − 2y_{t−1} + y_{t−2}，用于处理“趋势本身还在加速”的序列。
    Δ2yt=Δyt−Δyt−1=yt−2yt−1+yt−2\displaystyle \Delta^2 y_t = \Delta y_t - \Delta y_{t-1} = y_t - 2y_{t-1} + y_{t-2}

自回归记忆：参考自己的老味道

汤底稳了之后，大厨靠什么判断今天放多少盐？答案是记忆——回想昨天、前天、大前天的味道。这就是第二板斧“自回归”：今天的值，是若干个过去自身的值的加权和。它和普通线性回归很像，唯一的区别是“自变量”换成了自己的滞后值，所以叫“自回归”。

AR(p) 模型假设今天的 y_t 与最近 p 天的历史值存在线性关系。和线性回归一样，我们需要估计系数：

那 p 到底取几？看 PACF（偏自相关图）：它衡量“去掉中间几天的干扰后，昨天对今天还有多大的净相关”。当 p 阶之后 PACF 突然跌进虚线区间（截尾），就取这个 p。这就像试菜：闻到第 p 天之后的老味道已经没有新信息，就不必再往前回忆了。

yt=c+ϕ1yt−1+ϕ2yt−2+⋯+ϕpyt−p+εt\displaystyle y_t = c + \phi_1 y_{t-1} + \phi_2 y_{t-2} + \cdots + \phi_p y_{t-p} + \varepsilon_t
通俗理解：就像大厨在心里默念“昨天的汤放了 3 克盐、前天的放了 2 克”，然后按加权平均决定今天放多少——φ 就是每段记忆的权重。
  1. 滞后项 y_{t−i}表示 i 天前的自己，i 越大记忆越久远。
    yt−1,yt−2,…,yt−p\displaystyle y_{t-1}, y_{t-2}, \ldots, y_{t-p}
  2. 回归系数 φ_i每段历史对今天的权重，可正可负，解释为“昨天的味道对今天的影响程度”。
    ϕ1,ϕ2,…,ϕp\displaystyle \phi_1, \phi_2, \ldots, \phi_p
  3. 常数与扰动c 是基准水平，ε_t 是白噪声扰动。
    c+εt\displaystyle c + \varepsilon_t

移动平均纠偏：记住调味失误的教训

第三板斧属于“错题本”型大厨。比起记自己的值，他更擅长记自己的失误：昨天汤咸了 0.2 克盐，今天就要回调 0.05——这才是移动平均的真实含义。注意，MA 记忆的是“预测误差 ε”，而不是序列值本身。

有些序列的当前值，主要受过去若干次“意外扰动”的延续影响，比如工厂突然后到一批货，会接连影响未来几天的库存。MA(q) 正是描述这种“误差的惯性”：

定 q 看 ACF（自相关图）：当 q 阶之后 ACF 截尾，就取 q。AR 与 MA 的分工像“记性好的”和“善反思的”：前者追自己的历史，后者纠自己的错误，两者相加构成 ARMA，再叠上差分就是完整的 ARIMA。

yt=μ+εt+θ1εt−1+⋯+θqεt−q\displaystyle y_t = \mu + \varepsilon_t + \theta_1 \varepsilon_{t-1} + \cdots + \theta_q \varepsilon_{t-q}
通俗理解：汤的味道 = 基准水平 μ + 今天的随机扰动 + 前 q 次失误按 θ_j 权重的“涟漪”。失误越大、越近，回调力度就越大。
  1. 基准均值 μ序列围绕的平均水平，相当于“一贯咸度”。
    μ\displaystyle \mu
  2. 前期误差 ε_{t−j}前 j 天的扰动实际值，即模型当时的“偏差量”。
    εt−1,…,εt−q\displaystyle \varepsilon_{t-1}, \ldots, \varepsilon_{t-q}
  3. 误差权重 θ_j每段失误记忆的权重，决定回调力度。
    θ1,…,θq\displaystyle \theta_1, \ldots, \theta_q

建模流程：定阶五步，从备料到尝渣

有了三件套，大厨的完整流程是什么？真实项目里，ARIMA 建模有一套标准动作：备料（数据预处理）→ 撇浮沫（平稳化）→ 试料（定阶）→ 尝渣（白噪声检验）→ 出锅（估计与诊断）。每一步都有明确的目的。

备料阶段处理缺失值、离群点和时间对齐；平稳化阶段反复差分直到 ADF 通过；定阶阶段先用 ACF/PACF 圈定候选 (p,q)，再用 AIC/BIC 做网格搜索定最终阶数；拟合之后最重要的一步是“尝渣”——检验残差是否还剩信息。如果残差仍存在自相关，说明锅底还有渣（信息没榨干），模型需要加参数。Ljung-Box 检验给出量化判断：

至于 AIC/BIC，它们相当于“菜谱复杂度罚款”：参数越多、信息量越大，但也要扣复杂度分——选分数最低的那份菜谱，就是定阶的终点。整个流程走完，模型才敢端上桌。

Q=n(n+2)∑k=1hρ^k2n−k\displaystyle Q = n(n+2)\sum_{k=1}^{h}\frac{\hat{\rho}_k^2}{n-k}
通俗理解：Q 统计量像“滤网上的残留量总和”。残差里若还有明显相关，Q 会很大、p 值很小；反之 Q 小、p 值大（>0.05），说明残差只剩随机噪音，渣已清干净。
  1. 样本量 n建模使用的观测数，是修正公式里的基础。
    n\displaystyle n
  2. 残差自相关 ρ̂_k残差序列相隔 k 阶的样本自相关系数，衡量“相隔 k 天还剩多少相关”。
    ρ^k\displaystyle \hat{\rho}_k
  3. 检验滞后 h需要考察的最大滞后阶数，一般取 10~20。
    h\displaystyle h
  4. 修正因子 n(n+2)/(n−k)小样本下让统计量更准确的加权修正。
    n(n+2)n−k\displaystyle \frac{n(n+2)}{n-k}
  5. 判断规则Q 大于卡方分布的临界值（p<0.05）→ 残差非白噪声 → 回到定阶重新加料。
    Q>χα2(h)\displaystyle Q > \chi^2_{\alpha}(h)

预测与评价：端出成品与置信区间

模型训练完毕，终于到了“端汤”环节。但合格的大厨不会只说“汤好喝”，他还要告诉你：口味大致在什么范围波动。ARIMA 的预测同样分两部分：点预测（最可能的期望值）和区间预测（围绕点预测的置信区间）。

做 h 步预测时，差分过的序列要先“还原”回原尺度——把撇掉的趋势浮沫重新加回去。同时，预测误差会随步长累积：明天还能较准，一个月后就只能给个很宽的范围。数学上，h 步预测的置信区间写成：

模型的诊断与评价同样重要：看残差是否白噪声，用 RMSE/MAE 和朴素基线（比如“用昨天的值当预测”）对比。如果 ARIMA 连基线都打不赢，那这锅汤就该倒掉重熬——这是所有时序建模者的基本素养。

y^T+h±zα/2 σ^1+∑i=1h−1ψ^i2\displaystyle \hat{y}_{T+h} \pm z_{\alpha/2}\,\hat{\sigma}\sqrt{1+\sum_{i=1}^{h-1}\hat{\psi}_i^2}
通俗理解：区间宽度像扇面：h=1 时只有一步误差，扇面很窄；步数越多，历史误差的“涟漪”全部叠进来，扇面越张越大。
  1. 点预测 ŷ_{T+h}以 T 期为起点、向前 h 步的条件期望预测值。
    y^T+h\displaystyle \hat{y}_{T+h}
  2. 分位数 z_{α/2}正态分布双侧分位数，95% 置信时约取 1.96。
    zα/2≈1.96\displaystyle z_{\alpha/2} \approx 1.96
  3. 单步误差尺度 σ̂残差标准差，衡量“一步预测”的典型偏差。
    σ^\displaystyle \hat{\sigma}
  4. 误差传播系数 ψ_iMA(∞) 展开中第 i 步扰动对当前的影响权重，负责把历史误差“传导”到 h 步之后。
    ψ^i\displaystyle \hat{\psi}_i

局限与替代：这锅汤不是万能的

再好的汤也有短板。ARIMA 是一锅“自我参照”的汤：它只盯着自己的历史，看不见外面的世界。当市场突然换了水源（原油暴涨、突发促销、疫情冲击），基于老味道的记忆会瞬间失灵，误差的记忆反而变成包袱。

具体而言，ARIMA 的局限有三：第一，它本质是线性模型，抓不住复杂的非线性关系；第二，它只用单变量自身历史，无法纳入价格、节日、竞品等外生变量；第三，长期预测的误差方差会随步长不断累积，预测越远越“没谱”，对结构性突变极其敏感。

但这不意味着它该被淘汰。在样本量小、需要可解释性的场景里，ARIMA 始终是最稳的基线；当数据量大、特征丰富时，再升级到 SARIMA（加季节项）、Prophet、LightGBM 或时序深度学习模型。聪明的团队总是先用 ARIMA 把“底线”摸清，再决定要不要换更贵的锅。

所以请记住：ARIMA 是大厨的入门基本功，不是万能神器。会用它、也懂它的边界，你才算真正入了时序预测的门。

AI 应用场景

电商日销量基线预测

阶段：数据准备与基线建模

解决的问题：运营每天要报次日、下周的销量预测来指导补货；传统做法是拍脑袋或简单均值，误差大且不可解释。ARIMA 通过差分消除促销后的销量爬坡，用 AR 记忆近期购买惯性，用 MA 吸收突发流量造成的误差，输出带置信区间的基线预测。

具体案例：某电商团队对 300 个核心 SKU 的日销量分别拟合 ARIMA(p,1,q)，用 ADF 自动判断是否差一次，用 AIC 网格定阶，每天滚动刷新未来 7 天预测；残差白噪声检验通过后，结果直接作为补货系统的最低安全库存依据。

宏观经济指标季度预测

阶段：模型选择与效果评估

解决的问题：分析师要预判下季度 CPI、工业增加值。传统专家判断受主观影响大，且难以给出量化区间。ARIMA 擅长从单变量历史中提炼趋势与惯性，在几秒内给出点预测和置信区间。

具体案例：某券商研究所用 20 年 CPI 月度数据拟合 ARIMA(2,1,2)，预测未来 3 个月的同比增速，并将置信区间写进宏观月报的风险提示段落，供基金经理参考。

服务器负载异常筛查

阶段：模型诊断与异常检测

解决的问题：监控告警常被“正常波动”淹没，固定阈值不是误报就是漏报。ARIMA 先拟合正常模式，再用残差较大的时间点标为异常——相当于“汤的味道突变”检测。

具体案例：SRE 团队对每台网关的每分钟请求量拟合 ARIMA(1,1,1)，实时计算标准化残差，超过 3σ 即触发告警，误报率比固定阈值降低一半。

Python 演示

python41 行
import numpy as npfrom statsmodels.tsa.stattools import adfullerfrom statsmodels.tsa.arima.model import ARIMAfrom sklearn.metrics import mean_squared_error # 1) 模拟一份带趋势和自相关的销量数据(真实项目里换成自己的时序表)np.random.seed(42)n = 220y = np.zeros(n)noise = np.random.normal(0, 0.8, n)for t in range(1, n):    y[t] = 0.6 * y[t - 1] + 0.04 + noise[t]   # 带漂移的AR(1)y = y + 0.03 * np.arange(n)                   # 再叠加线性趋势制造不平稳 def is_stationary(series):    return adfuller(series)[1] < 0.05         # ADF p值小于0.05才算平稳 print('原序列 ADF p 值:', round(adfuller(y)[1], 3))d = 0s = y.copy()while not is_stationary(s) and d < 2:    d += 1    s = np.diff(s)print('选定差分阶数 d =', d) # 2) 用AIC网格搜索定 p 和 qbest_aic, best_order = float('inf'), Nonefor p in range(4):    for q in range(4):        model = ARIMA(y, order=(p, d, q)).fit()        if model.aic < best_aic:            best_aic = model.aic            best_order = (p, d, q)print('AIC最优阶数:', best_order, 'AIC =', round(best_aic, 2)) # 3) 训练 + 12步外推预测 + RMSE评估train, test = y[:-12], y[-12:]model = ARIMA(train, order=best_order).fit()forecast = model.forecast(steps=12)rmse = mean_squared_error(test, forecast) ** 0.5print('12步预测 RMSE:', round(rmse, 3))
目的：用 ADF 自动定 d，用 AIC 网格搜索定 p、q，最后拟合 ARIMA 并做 12 步外推预测，输出 RMSE 评估。
  1. from statsmodels.tsa.stattools import adfuller引入“浮沫检测器”ADF 检验。
  2. y[t] = 0.6 * y[t - 1] + 0.04 + noise[t]生成一锅带自相关记忆和漂移的汤，模仿真实销量。
  3. return adfuller(series)[1] < 0.05取 ADF 的 p 值，小于 0.05 判定平稳，浮沫已撇净。
  4. while not is_stationary(s) and d < 2:不平稳就继续差分，但最多差两次，防止撇掉营养。
  5. model = ARIMA(y, order=(p, d, q)).fit()网格试料：每个 (p, d, q) 组合都煮一锅，记录 AIC。
  6. if model.aic < best_aic:挑 AIC 最小的菜谱，参数不多不少正合适。
  7. model.forecast(steps=12)从训练集末尾出发外推未来 12 步。
  8. rmse = mean_squared_error(test, forecast) ** 0.5预测值与真值比差距，越小说明汤越正宗。

常见误区

误区为了让序列平稳，我多差几次没关系，d 越大说明我处理得越彻底，预测自然更准。

正解差分本质是“撇浮沫”，但撇过头会把汤的营养（长期记忆）一起倒掉。过度差分会让序列丢失真实的长期关系，甚至引入新的伪相关。实践中有以 ADF 检验通过为准，d 一般不超过 2，还要结合业务趋势判断——比如销量本就有增长趋势，差到平稳即可，不必追求绝对平稳。

为何常见：“平稳”听起来像终极目标，初学者容易把检验当成可以反复刷分的任务，而忽略了“信息保留”的代价。

误区我只要看 ACF/PACF 图的截尾点，就能 100% 确定 p 和 q，根本不用其他工具。

正解真实业务数据通常混合拖尾、多峰，图形只是“圈定候选范围”的第一印象；标准做法是在候选范围内用 AIC/BIC 网格搜索，再结合残差诊断确认。就像大厨闻味道只是初步判断，最终咸淡要上秤（数值指标）验证。

为何常见：教材为了清晰常画理想截尾图，误导学习者以为真实数据也这么干净。

误区建模前先做白噪声检验，如果原始序列不是白噪声，就说明有规律可挖，能开始预测了。

正解白噪声检验的正确位置在“建模之后、针对残差”——残差是白噪声才说明信息已榨干、模型有效；而原始序列如果是白噪声（纯随机、无自相关），恰恰说明“无规律可挖”，根本不适合 ARIMA。顺序搞反，就像还没煲汤就急着尝渣。

为何常见：白噪声与平稳是两个概念，初学者常把“不是白噪声”误解为“可预测”，把检验用错了位置。

误区现在都深度学习了，ARIMA 这种线性老古董没必要学，直接把数据丢给 LSTM 就行。

正解小样本、短历史、强可解释场景里，LSTM 很容易过拟合，而 ARIMA 几行代码就能给出稳定的基线。工业界几乎所有时序项目都会先跑 ARIMA 作为基线，后续模型必须打败它才有意义。深度学习是升级方案，不是替代品——先会用好“三板斧”，才知道何时换“新菜刀”。

为何常见：AI 热词让人误以为“新模型碾压老模型”是普遍规律，忽略了数据量、可解释性和基线对比的价值。

面试题

Q1. ARIMA 中字母 I 指的是哪一部分？

单选题 · easy

  • A.自回归
  • B.差分整合← 正确答案
  • C.移动平均
  • D.指数平滑

答案：B。I 是 Integrated（差分整合）的缩写，代表对不平稳序列做 d 次差分以平稳化，相当于大厨“撇浮沫”的动作。AR 用自身历史值，MA 用历史预测误差，都不是 I 的含义。

Q2. 一阶差分 Δy_t 的定义是？

单选题 · easy

  • A.y_t ÷ y_{t−1}
  • B.y_t − y_{t−1}← 正确答案
  • C.y_t + y_{t−1}
  • D.y_{t−1} − y_t

答案：B。一阶差分是“今天减昨天”，目的是消掉相邻两天共有的趋势部分。A 是变化率，C 是求和，D 虽然也是减法但方向反了，会让趋势符号颠倒。

Q3. AR 与 MA 的核心区别是？

单选题 · easy

  • A.AR 用过去观测值，MA 用过去预测误差← 正确答案
  • B.两者没有任何区别
  • C.AR 用过去误差，MA 用过去观测值
  • D.两者都依赖未来数据

答案：A。AR 像“记性好的大厨”，回顾自己过去几天的味道（历史观测值）；MA 像“善反思的大厨”，回顾最近几次调味失误（历史误差）。两者原料不同，说反的 C 和混为一谈的 B 都不对。

Q4. 确定 AR 阶数 p 时，最常参考的图是？

单选题 · mid

  • A.ACF 图
  • B.PACF 图← 正确答案
  • C.直方图
  • D.QQ 图

答案：B。PACF 在 p 阶后截尾是 AR(p) 的典型信号——它衡量剔除中间滞后影响后，昨天对今天的净相关。ACF 通常用于定 MA 的 q；直方图和 QQ 图与定阶无关。

Q5. 确定 MA 阶数 q 时，最常参考的图是？

单选题 · mid

  • A.PACF 图
  • B.ACF 图← 正确答案
  • C.饼图
  • D.箱线图

答案：B。MA(q) 的 ACF 在 q 阶后截尾，因为误差的影响只延续 q 期；PACF 截尾对应 AR 阶数，饼图和箱线图与建模定阶无关。

Q6. 判断原始序列是否平稳，最常用的检验是？

单选题 · mid

  • A.ADF 检验← 正确答案
  • B.Ljung-Box 检验
  • C.t 检验
  • D.卡方拟合优度检验

答案：A。ADF 是单位根检验，原假设为“序列不平稳”，p<0.05 则拒绝并认为平稳，像“浮沫检测器”。Ljung-Box 用于建模后检验残差是否为白噪声，作用时段不同。

Q7. 下列哪些方法可用于确定 ARIMA 的阶数？

多选题 · mid

  • A.ACF/PACF 截尾规律← 正确答案
  • B.AIC/BIC 网格搜索← 正确答案
  • C.残差白噪声检验
  • D.固定使用 p=1,q=1

答案：AB。ACF/PACF 给出候选阶数，AIC/BIC 在候选内精挑细选，都是定阶常用方法。白噪声检验属于模型诊断，是在定阶之后的验证；D 属于拍脑袋，毫无依据。

Q8. 对拟合后的 ARIMA 残差做 Ljung-Box 检验，p>0.05 说明什么？

单选题 · hard

  • A.残差还有明显自相关，需要增加阶数
  • B.残差近似白噪声，可用信息已提取充分← 正确答案
  • C.残差方差为零
  • D.序列一定不平稳

答案：B。p>0.05 意味着不能拒绝“残差是白噪声”的原假设，就像滤网里只剩清水没有渣，模型已经把可用的自相关信息榨干。A 是 p<0.05 时的结论。

Q9. 下列哪些属于 ARIMA 的已知局限？

多选题 · hard

  • A.本质是线性模型，难以捕捉非线性关系← 正确答案
  • B.只用自身历史，无法纳入外生变量← 正确答案
  • C.对结构突变完全不敏感
  • D.长期预测误差方差不断累积← 正确答案

答案：ABD。ARIMA 是线性单变量模型，外部冲击（促销、政策）会迅速让它“翻车”，所以 C 说反了——它恰恰对结构突变极其敏感。其余三项都是公认的短板。

Q10. 对带漂移的 ARIMA(1,1,0)，随着预测步长 h→∞，预测置信区间宽度的变化趋势是？

单选题 · extreme

  • A.收敛到 0
  • B.收敛到一个常数
  • C.随步长近似线性增长← 正确答案
  • D.周期性振荡

答案：C。因为存在一阶差分（单位根），扰动会永久累积，h 步预测误差方差随 h 近似线性增长，区间越来越宽；只有平稳 ARMA 的预测方差才会收敛到一个常数。就像汤里的涟漪不会自行消失，远处的“扇面”只会越张越大。