时间序列的使用条件：必须能够看出具有周期性
季节趋势：绝不可以用年作为单位，需要用月份、季度、周做
循环变动：需要用年作为周期单位
？？？？
处理缺失值，疑问：为什么不适用插值法？？
处理完了趋势处理季节性分解，注意这里的平均值的选择为什么要进行季节性分解？
时间序列分析主要分为两个模型：指数平滑模型和ARIMA模型
例子：挖煤矿 （不含趋势和季节成分，但是因为煤矿的总量是有限的，所以肯定会受到之前的影响，emm这个例子有待商榷）
简单指数平滑法(simple模型)只能预测一期的数据，因为第二期往后没有实测值，只能用估计值来代替
例子：某地蒸蒸日上的航空航天
例子：非理想情况下的生物的繁衍，（人口等…）
例子：每年的“棉袄”搜索量会在冬天普遍偏高
注意，这里的m指的是1年/周期长度
例子：
？？？
AR（p）+MA(q)==ARMA(p,q)
为什么我们想要白噪声序列？
答：
问：为什么我们要进行差分？
答：因为通过差分可以使得序列变得平稳问：我们如何判断一个序列是否平稳？
答：
问：为什么要使用季节差分？
答：可以使序列变得平稳？
问：为什么要使用AR（p）模型？
答：可以消除自相关的影响
问:我们为什么要求一个序列是平稳的?
答:
简而言之，就是说他们两个可以互换
MA模型一定平稳AR与MA
参考文章：https://zhuanlan.zhihu.com/p/22248464
可见：
就是说，在绝大多数情况下，我们都可以直接（p个解的模长都小于1）或者间接的（k个解的模长等于1）得到平稳的时间序列
尽量使用BIC
ARIMA模型使用前的注意事项，以上的均为非季节性的ARIMA模型
建模思路
注意：ACF PACF都是用来判断扰动项的各个系数同时为0的
注意：此处一定要勾选离群值
注意：绿色的也需要勾选上
将计算的参数带入其中即可获得结果（spss会帮助我们获得结果）
p值（显著性）>0.05,就代表我们无法拒绝原假设（系数为0），即为白噪声
注意：此处存在一些问题，就这种数据由于所给信息的不完全，没有表示出来它是一个在非理想情况下的种族数量增长，需要用以后学到的知识
用勾选的来检验是否为白噪声序列
注意：平稳的R方是越大越好~跟R方的意义是类似的。 但平稳的R方适用于原始序列为非平稳序列，经差分或转换后符合平稳化的序列的，评价准度比R方更为准确。 R方适用于原始序列为平稳序列。
