你们好，最近小未来发现有诸多的小伙伴们对于arima模型建模步骤流程图，arima模型建模步骤这个问题都颇为感兴趣的，今天小活为大家梳理了下，一起往下看看吧。

1、 首先，收集建立ARIMA模型所需的数据。这里我们选取上证指数1998年1月至2011年12月的周度数据。数据如下：

2、 在ARIMA模型之前，需要观察数据是否有季节性成分，所以先做一个序列图来观察。画序列图的方法如下。依次点击分析、预测和顺序图，弹出序列图窗口。

3、 在序列图窗口中，选择变量列中的结束变量和时间线标签中的日期变量，然后单击确定以获得数据的序列图。

4、 从图中可以看出，序列中没有明显的季节成分，但是有明显的变化，所以不需要做季节分解。

5、 此外，ARIMA模型要求序列是平稳的，因此应对数据进行平稳性分析。我们来做股票序列的自相关图和偏自相关图，分析序列的平稳性。

6、 在SPSS主窗口中，依次点击“分析”、“预测”、“自相关”，打开自相关设置窗口。

7、 在自相关设置窗口中，在“变量”框中选择“收盘”序列，然后在“输出”项中勾选“自相关”和“偏自相关”，确认后得到自相关图和偏自相关图。

8、 从图中可以看出，序列的自相关图(ACF)和偏自相关图(PACF)是拖尾的，说明序列是非平稳的。股票数据序列通常不是平稳序列，但差异通常是平稳的，所以我们可以通过差异做进一步的分析。

9、 画出股票序列的微分序列图，观察其平稳性。在步骤3的序列窗口中，勾选“差分”选项，即绘制差分序列的序列图，这里使用的是一阶差分。

10、 从图中可以看出，差分序列基本上均匀分布在0刻度线的上下两侧，因此可以认为差分序列是平稳的。

11、 然后看一下差序列的ACF和PACF图。步骤如下：依次点击分析、预测、自相关，在弹出的自相关窗口中选择差分，确认后得到差分序列的ACF和PACF图。

12、 从图中可以看出，差分序列的ACF和PACF是拖尾的，所以可以用于原序列(就是原序列！)建立ARIMA(p，1，q)模型。

13、 经过反复实验，模型为ARIMA(1，1，1)，模型运行如下：依次点击分析、预测、建模，弹出时间序列建模器。

14、 在弹出窗口中，单击确定。

15、 在变量选项中，因变量选择收盘，自变量选择日期，方法选择ARIMA，然后单击条件设置ARIMA的条件。

16、 将模型的p，d，q设置为1，1，1，然后继续。

17、 在统计学中，如图，对于拟合变量，选择平稳R-square，R-square，在比较模拟中选择拟合优度，在个别模型统计中选择参数估计。

18、 在图形选项中，选择以下选项：序列、残差自相关函数、残差偏自相关函数，如下图所示。

19、 在“保存”选项中，全部勾选。（这一步可以不要）

20、 所有设置完成后，点击确定，模型结果就出来了。R的平方达到0.961，拟合程度很好，AR，MA的系数分别是0.787和0.664，显著性水平都小于0.01，因此系数都显著不为0.

21、 再看残差的ACF和PACF图，可以看到都是平稳的，因此ARIMA(1,1,1)是合理的。

22、 因此，ARIMA模型结果为：

23、 最后进行拟合预测，可以看到拟合效果很好。

24、 SPSS建立ARIMA模型分享完了，谢谢大家。

以上就是arima模型建模步骤这篇文章的一些介绍，希望对大家有所帮助。