arima(0，0，1)没有意义。ARIMA模型没有arima(0，0，1)。ARIMA模型是差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），是时间序列预测分析方法之一。
1.ARIMA(0,1,0) = random walk: 当d=1,p和q为0时,叫做random walk,每一个时刻的位置,只与上一时刻的位置有关。预测公式:Yt=μ+Yt−1 2.1 主要应用场合 平稳非白噪声的序列 2.2白噪声检查 lb=acorr_ljungbox(data.diff1.dropna(), lags = [i for i in range(1,12)],boxpierce=True) LB检验...
因此，在这种情况下，推荐使用ARIMA（0，1，0）模型来拟合。
对于ARIMA模型拟合效果的评估,残差序列的方差具有重要的意义。一般来说,如果差分后的残差序列方差较小,可以说明模型的拟合效果较好;反之,则可能需要进一步优化模型的参数。 在实际应用中,对ARIMA(p,d,q)模型进行拟合后,通常会使用统计量来评估模型的拟合效果。其中,残差序列的方差是评估拟合效果的一个重要指标。可以通...
预测模型当然是可以的！详细原理可参考《时间序列分析及应用：R语言》
用forecast包中的auto.arima自动拟合Arima模型会显示一串结果，最后一个结果就是 Best model: ARIMA(0,0,0)(0,1,0)[12] with drift，说明该结果是最好的拟合结果。结果说明一个AR(0),MA(0)和季节差分一次的Arima模型。
疏系数模型ARIMA((1,4),0,1)是指ARMA模型，其中AR部分的阶数为1，MA部分的阶数为0，并且差分阶数为4。该模型缺省了自回归系数。
d=1,q=p=0,arima(0,1,0)该模型是随机游走模型（醉汉模型）x(t)=x(t-1)+ξ（t）E（ξ（t））=0，var(ξ（t）)=σ^2，E（ξ（t）ξ（s））=0，s不等于t E（x（s）ξ（t））=0，任意s<t,
q MA(滑动平均)项的阶数。需要事先设定好,表示y的当前值和前q个历史值AR预测误差有关。实际是用历史值上的AR项预测误差来建立一个类似归回的模型。 ARIMA模型表示 AR项表示 一个p阶的自回归模型可以表示如下: c是常数项,εt是随机误差项。 对于一个AR(1)模型而言: 当 ϕ1=0 时,yt 相当于白噪声; ...