“时间序列”平台示例
该示例使用 Raleigh Temps.jmp 样本数据表，它包含从 1980 到 1990 年测量的每月最高温度（华氏度）。使用“时间序列”平台来查看序列并预测接下来两年的每月最高温度。
1. 选择帮助 > 样本数据库，然后打开 Time Series/Raleigh Temps.jmp。
2. 选择分析 > 专业建模 > 时间序列。
3. 选择温度并点击 Y，时间序列。
4. 选择月/年份并点击 X，时间 ID。
5. 在预测周期数旁边的框中键入 24。
这是拟合数据的模型所要预测的将来周期数。您要预测接下来的两年（涵盖 24 个月）的每月温度。
6. 点击确定。
图 17.2 Raleigh Temps.jmp 的时间序列分析报表
“时间序列”图显示序列是周期性的。该周期性成分在自相关性图中也很明显。相距 1 个滞后期的点是正相关的，自相关性值为 0.8007。当点的距离变远时，变为负相关，然后再次正相关，以该模式重复下去。“时间序列”图和自相关性图提供了时间序列中存在季节性的证据。
7. 点击“时间序列”红色小三角菜单，然后选择 ARIMA。
8. 将自回归阶数 p 设置为 1，因为该序列显示了自相关性的证据。
9. 点击估计。
10. 点击“时间序列”红色小三角菜单，然后选择季节性 ARIMA。
11. 在“ARIMA”框中，将自回归阶数 p 设置为 1，因为该序列显示了自相关性的证据。
12. 在“季节性 ARIMA”框中，将季节差分阶数 D 设置为 1，因为该序列显示了季节性的证据。
13. 点击估计。
14. 在“模型比较”表中，为两个模型选中图形下的框。
图 17.3 Raleigh Temps.jmp 的“模型比较”表
“模型比较”表按 AIC 统计量的降序排序。这意味着最佳拟合模型显示在报表顶部。季节性 ARIMA 模型的 AIC 值 (693.4) 远小于常规 ARIMA 模型的 AIC 值 (924.5)。图形显示尽管 ARIMA 模型预测观测点相对较好，但是残差大于季节性 ARIMA 模型的残差。此外，季节性 ARIMA 模型对于将来的观测的预测更符合实际，预测区间更狭窄。这些结果是合理的，因为序列显示了季节性成分的证据。