本文目录一览：
R语言的arima函数
这是我之前的回答
举一个例子吧，比如月度的数据，就是周期为12，它有季节影响。
先对其1阶12步差分，通过看acf pac f看是简单加法模型，还是乘法季节模型
如果是乘法模型那就要对季节部分模拟arima模型
季节部分的arima是以周期位置的acf pacf 确定其模型参数 ar ma
seasonal=list(order=c(_,1,_)，period=_)周期是默认的
------------------------------------------------------------
教你一个简单的方法：
下载 forecast包，auto.arima( ) 直接拟合，就会给出系统认为的arima模型的各个参数。
然后 forecast（ h=预测期数）行了。
这是对外行人来说的，
但是如果你真的想学好的话，还需要对模型进行着各种检验，特别是残差。
arima的自回归阶数和移动平均阶数怎么弄
ARIMA是AutoRegressive Integrated Moving Average的缩写，亦即自回归整合移动平均数。
ARIMA模型在做时间序列分析时，根据历史数据的变动规律，找出数据变动模型（移动平均数、周期成分），从而实现对未来的预测。 ARIMA模型问世于1960年代末，Box和Jenkins在1976年对该模型进行了系统阐述，所以该模型亦被称之为Box Jenkins模型。 ARIMA模型比其他的统计预测技术要复杂得多，但如果运用恰当的话，它不仅预测准确，而且灵活有度。
通过ARIMA模型，能够决定：
过去的历史数据对下一个观测值贡献的大小（即加权长度）。
权重。
例如 y (t) = 1/3 * y (t-3) + 1/3 * y (t-2) + 1/3 * y (t-1)， 又如 y (t) = 1/6 * y (t-3) + 4/6 * y (t-2) + 1/6 * y (t-1) 。
正确运用ARIMA模型，必须要找出滞后期的准确数字及其系数。
eviews做arima模型时用二阶差分的数 最后结果怎么还原？
用差分预测差分，结果是差分。要反推的话，就得知道基期数据，然后根据基期数据和增量数据就可以求得预测的数据了。
差分可以消除不稳定性，但是同时也损失了信息，这是不可避免的。
S60系统停止服务
有这么一说，5年内尽管放心吧，只要用的人多，运营商有利可图软件还是有的，民间高手比比皆是，再说旧版本照样可以用呀
