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。
因此，在这种情况下，推荐使用ARIMA（0，1，0）模型来拟合。
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...
ARIMA模型是一种常用的时间序列分析模型,对于差分后的残差序列方差的分析对于模型的拟合效果具有重要的意义。通过对残差序列方差的分析,可以更加全面地了解模型的效果,并且为进一步的优化和改进提供参考依据。对于ARIMA模型中阶差分后残差序列方差的分析是非常重要的,下面我们来深入探讨这一问题。在实际建模中,我们通常会先...
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》
如果arima的参数设置如下所示，则它们为几个小数给予相同的值：
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。
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,
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; 当 ϕ1=1 并且 c=0 时,yt 相当于随机游走模型; 当 ϕ1=1 并且 c≠0 时,yt 相当于带漂移的随机游走模型; 当 ϕ1<0 时,yt 倾向于在正负值之间上下浮动。