导入所需的软件包和模块
fromscipyimportstatsimportpandasaspdimportmatplotlib.pyplotaspltimportstatsmodels.apiassmfromstatsmodels.TSA.ARIMA.MMA 用于正常显示import plot _ predict PLT.rcparams [ ' font.sans-serif ' ]=[ ' simhei ' ] #中文标签PLT .的负号1 .正常显示数据并画画index_col=0) data.index=PD.index ) sm.TSA.date tools data.plot (fig size=) 12，8 )，marker='o '，color
#时序折线图初步判断数据呈明显增加趋势，数据不稳定，如下所示
2 .平顺性检测sm.TSA.adfuller(data，regression='c ' ) sm.TSA.adfuller(data，regression='nc ' ) sm.TSA.ad fulller
3 .对数据进行一阶差分处理diff=data.diff(1) diff.dropna ) inplace=true ) diff.plot (fig size=) 12，8 )，marker='o '，
4 .对初级差分数据进行平滑性检查sm.TSA.adfuller(diff，regression='c ' ) sm.TSA.adfuller(diff，regression='nc ' ) sm .
5.ARIMA(p，d，q )阶fig=PLT.figure ) fig size=(12，8 ) ) ax1=fig.add_subplot ) 211 ) fig=sm.graphics .
6 .参数估计model=ARIMA (数据，顺序=(1，1， 1 ).fit ) #拟合模型model.summary ) #统计信息统计#系数检验params=model.params#系数tvalues=model.tvalues#系数t值bse=model.bse# 残差序列fig=PLT.figure (fig size=(12，8 ) ax=fig.add_subplot(111 ) ax=model.resid.plot ) ax=ax ) # 模型拟合值fit=model.predict ) exog=data [ ' ' ] )的0——接近正自相关的4——负自相关#8.2.AIC和接近BIC准则model.aic#模型的AIC 8.3 .残差序列正态性检验stats.normaltest(resid )检验序列残差是否为正态分布)最终检验结果显示的模型拟合良好#8.4 .残差序列自相关图和偏自相关图fig=PLT.figure (fig size=() 8 ) ) ax1=fig.add_subplot ) 211 ) fig=sm.graphics.tsa ax=ax1 ) ax2=fig.add_subplot(212 ) fig=sm.graphics。 ax=ax2 )从2006年开始，predict=model.predict () 2006 )、) 2016 )， 预测dynamic=True ) predict )绘制预测图和置信区间的ax=PLT.subplots (fig size=(10，8 ) ) fig=plot_predict ) model，start=