1. 讀取資料(scan()及read.csv()等函式，row.names引數可以用來指定索引列)

2. 觀察檢驗時間序列是否平滑，對不平滑的時間序列要進行差分（diff()函式)，差分的階數=arima(p,d,q)中d引數的值

3. acf()和 pacf()兩個函式分別檢視時間序列的自相關圖和偏自相關圖，並得出相應的q，p值

4. 模型初步選擇，可以用函式

   AIC(arima(objts,order=c(p,d,q),method="ML"))檢視模型的AIC值初步進行判斷

5. ARIMA模型擬合，呼叫arima(objts,order=c(p,d,q))來擬合數據，可用tsdiag(a1)對模型進行檢驗。也可用a

   rimamodel<−auto.arima(objts,trace=T)來自動進行擬合。

6. 預測，呼叫forecast.Arima(objarima,h=？,level=c(99.5))獲得要預測的未來某“長度”內的資料。可以用plot.forecast(objforecast)檢視預測的序列。

7. 殘差檢驗，對預測的殘差進行檢驗，如果殘差是一個白噪聲序列，說明殘差中已經不再含有有用的資訊，模型已經不需要優化了。殘差檢驗可呼叫
   Box.test(objforecast$residuals,lag=20,type="Ljung−Box")

   *統計量為17.4，自由度為20，並且P值是0.6（置信度只有40%）這樣的值不足以拒絕“預測誤差在1-20階是非零自相關，證明預測誤差在1-20階是非零自相關的。*

   
   Ps: p值大，說明為純隨機序列。p值小，非純隨機序列，置信水平(1-p).

   或者用
   plotForecastErrors(objforecast$residuals)看預測的殘差是否滿足一個正態分佈，這個函式使用前要先定義：
   

   或者用
   acf(objforecast$residuals,lag.max=20)檢視殘差的自相關圖。

以前沒有接觸過時序分析，為免以後忘記，先粗淺的大概總結了下流程吧，最近因為做題才接觸到這一塊兒，統計方面很多內因都還不太懂，慢慢理解後再行擴充吧。