尧图网页设计 
简介面向统计学专业学生与研究人员的《理学统计时间序列分析》PPT课件系统讲解时间序列分析的基本概念与核心方法帮助读者掌握时间序列的定义、分类、构成要素及常用分析模型。内容覆盖绝对数、相对数、平均数等序列类型重点阐释长期趋势、季节变动、循环波动与不规则波动四要素并通过指标分析法和构成因素分析法揭示现象随时间变化的规律。课件还对比了加法模型与乘法模型的适用情形详细讲解发展水平、增长量、平均增长量、发展速度、增长速度等指标的计算与应用配有清晰的公式与示例适合课堂辅助学习或自学入门。压缩包内共1个pptx文件容量370KBPPT共48页结构完整、图文结合便于直接演示与阅读章节依次涵盖分类、构成要素、分析模型与指标计算逻辑清晰。目前已有69人学习下载可作为时间序列分析课程备课或复习的实用参考资料。1. 做一份能讲清楚的时间序列分析课件先定框架拿到「理学统计时间序列分析PPT课件.pptx」这个名字多数人第一反应是找现成模板但真正的价值在于如何把时间序列分析这门数理统计课程组织成一套既能推导、又能实操的演示材料。这决定了这份课件不是简单的概念罗列而是要回答四个问题为什么要学平稳性、自相关函数怎么读、ARIMA模型如何定阶、残差检验到底在验证什么。目标读者通常是统计专业本科生、转做数据分析的工程师以及需要给团队做内部分享的算法岗同学。他们都会带着同一个诉求打开这份课件听完知道怎么对一组真实数据动手建模而不只是记住几个公式。因此这篇博文顺着这个标题把课件背后最常用的理论框架、建模链路和可复现的Python实现完整拆开讲清楚一套能直接搬进课堂或周会的方案。2. 课件第一块硬核平稳性、白噪声与自相关函数2.1 为什么理学统计的课件必然从平稳性讲起时间序列分析与普通回归的第一个分野就是观测值之间不独立。经典回归假设误差独立同分布而序列数据天然带有时间上的依赖结构。如果忽略这个依赖回归系数的标准误会被严重低估t检验和F检验全部失真。平稳性正是为了给这种依赖结构一个可估计的数学前提只有当均值、方差不随时间漂移且任意两时点之间的协方差只依赖于时间间隔样本自相关函数才有统计意义模型的参数估计才有一致性保证。课件这里通常会强调「严平稳」与「宽平稳」的区别。严平稳要求联合分布平移不变实际数据几乎做不到宽平稳只约束一阶矩和二阶矩理论上可检验、可操作所以ARMA族模型全部建立在这条弱平稳假设上。讲课时可以用一句话帮听众建立直觉宽平稳的数据像一条水平震荡的绳子均值不飘、波动幅度不放大它的历史规律才对未来有参考价值。2.2 用一组代码让自相关图成为课件的核心可视化自相关函数是连接「理论」和「模型识别」的桥梁。样本ACF的计算方式并不复杂对滞后k期计算序列与其自身平移k步后的相关系数。但手工计算毫无意义课件演示的重点应该是让听众读懂ACF图和PACF图的形态。下面这段Python代码可以嵌入课件配套的Notebook中直接基于真实数据生成诊断图。import numpy as np import pandas as pd import matplotlib.pyplot as plt from statsmodels.graphics.tsaplots import plot_acf, plot_pacf from statsmodels.tsa.stattools import adfuller # 生成一段带趋势和周期性的非平稳序列用于对比演示 t np.arange(0, 300) trend 0.02 * t seasonal 2 * np.sin(2 * np.pi * t / 20) np.random.seed(42) noise np.random.normal(0, 0.5, sizet.shape) series trend seasonal noise # 绘制原始序列的ACF图滞后阶数取40期 fig, ax plt.subplots(figsize(10, 4)) plot_acf(series, lags40, axax, alpha0.05) ax.set_title(ACF of Non-Stationary Series) ax.set_xlabel(Lag) ax.set_ylabel(Autocorrelation) plt.tight_layout() plt.savefig(acf_nonstationary.png, dpi150)这段代码做了什么构造了一个包含线性趋势、正弦周期项和随机噪声的合成序列用来演示非平稳数据在ACF图中的典型特征——自相关系数衰减极慢几乎不落入置信区间。lags40控制横轴展示的滞后阶数alpha0.05决定蓝色置信带的宽度它代表在大样本近似下纯随机序列的样本ACF有95%的概率落在这个范围内。把这张图和平稳序列的ACF图并排放进课件听众一眼就能看出「拖尾」与「截尾」的区别这是后续ARMA定阶的视觉基础。2.3 ADF检验的结果怎么放进课件里讲自相关图是直观工具但理学科班训练要求学生用假设检验的结论来支撑判断。ADF检验是课件中绕不开的正式方法它检验的原假设是「序列存在单位根即非平稳」。使用时有一个高频误用点ADF检验对趋势项和常数项的设定非常敏感。对带明显线性趋势的序列regressionct是更稳妥的选择对均值围绕某个常数波动的序列用regressionc即可。下面给出完整判断流程。from statsmodels.tsa.stattools import adfuller result adfuller(series, maxlagNone, regressionct, autolagAIC) print(fADF Statistic: {result[0]:.4f}) print(fp-value: {result[1]:.4f}) print(fCritical Values: {result[4]})maxlagNone表示由autolagAIC自动选择最优滞后阶数这里使用AIC准则平衡拟合优度与参数数量。regressionct对应含常数项和时间趋势的检验方程与上面构造数据的生成过程一致。运行后p值会远大于0.05结论是不拒绝单位根原假设序列非平稳。课件里建议同时展示差分后的ADF检验结果形成「非平稳→一阶差分→平稳」的完整演示闭环。差分在statsmodels里没有独立函数用series.diff().dropna()就能完成顺序执行两次就是二阶差分但实际建模中差分阶数超过2的情况极少。3. ARIMA建模课件的主体从ACF/PACF定阶到残差检验3.1 四种基本模型的数学形式与适用场景对照课件讲到ARIMA时最容易让学生困惑的是AR、MA、ARMA、ARIMA四者之间的关系。这里务必用一张对照表把数学形式和特征讲透而不是只念定义。AR模型的当前值是自身滞后项的线性组合MA模型是白噪声冲击的线性组合ARMA将两者合并ARIMA则在ARMA之前多一步差分操作专门处理非平稳序列。PACF在AR模型中截尾、ACF拖尾MA模型则相反ACF截尾、PACF拖尾。这张表是整份课件的定阶地图。模型数学形式简写ACF特征PACF特征适用场景AR(p)(x_t c \sum \phi_i x_{t-i} \varepsilon_t)拖尾指数衰减p阶后截尾序列受自身历史影响强MA(q)(x_t \mu \sum \theta_j \varepsilon_{t-j} \varepsilon_t)q阶后截尾拖尾指数衰减序列受过去随机冲击影响ARMA(p,q)两者结合拖尾拖尾平稳序列且自回归与移动平均同时存在ARIMA(p,d,q)ARMA作用于d阶差分后序列取决于差分后ARMA部分同左非平稳序列经d阶差分后平稳3.2 statsmodels完整建模流程数据拆分、定阶、拟合与预测课件不能只给模型公式还要给一套最小可运行的建模代码。下面这段代码针对一个典型的非平稳序列演示从差分、定阶到拟合预测的完整链路。这里选用statsmodels的ARIMA类它在较新版本中已经统一了AR、MA、差分和季节性扩展的接口。import numpy as np import pandas as pd from statsmodels.tsa.arima.model import ARIMA from statsmodels.graphics.tsaplots import plot_acf, plot_pacf from statsmodels.stats.diagnostic import acorr_ljungbox import matplotlib.pyplot as plt # 构造带趋势与周期性的非平稳序列 t np.arange(1, 401) series 0.015 * t 3 * np.sin(2 * np.pi * t / 30) np.random.normal(0, 0.6, sizet.shape) ts pd.Series(series, indexpd.date_range(start2024-01-01, periodslen(t), freqD)) # 训练集取前350天测试集取后50天用于评估预测效果 train, test ts.iloc[:-50], ts.iloc[-50:] # 一阶差分消除线性趋势 diff1 train.diff().dropna() # 绘制差分后序列的ACF与PACF用于选择p和q fig, axes plt.subplots(1, 2, figsize(14, 4)) plot_acf(diff1, lags30, axaxes[0], alpha0.05) plot_pacf(diff1, lags30, axaxes[1], alpha0.05, methodywm) axes[0].set_title(ACF after First Difference) axes[1].set_title(PACF after First Difference) plt.tight_layout() plt.savefig(acf_pacf_after_diff.png, dpi150) # 根据图形观察ACF在滞后2期后截尾PACF在滞后2期后截尾初步判断ARMA(2,2) # 结合AIC比较最终选择ARIMA(2,1,2) model ARIMA(train, order(2, 1, 2)) result model.fit() print(result.summary()) # 残差白噪声检验Ljung-Box检验滞后10期 resid result.resid lb_test acorr_ljungbox(resid, lags[10], return_dfTrue) print(lb_test)这段代码分四步展开先做一阶差分再通过ACF/PACF图做视觉定阶然后用AIC辅助确认最后拟合模型并对残差做Ljung-Box检验。methodywm是Yule-Walker方法的改进版本相比默认方法能更稳定地估计PACF尤其适合样本量不大的场景。order(2,1,2)的含义是p2、d1、q2即对原始序列做一次差分差分后序列用ARMA(2,2)建模。代码中Ljung-Box检验输出lb_pvalue如果该值大于0.05说明残差没有显著的序列相关性模型的信息提取已经足够充分。3.3 定阶过程中的常见误判与应对策略实践中ACF/PACF图的截尾和拖尾很少像教科书那么干净尤其是样本量不足或序列受异常值干扰时。通常的处理策略是先确定一个较小的候选范围例如p和q都在0到3之间对每个组合计算AIC或BIC选择信息准则最小的模型同时还要兼顾残差检验是否通过。AIC和BIC的差别在于惩罚项的强度BIC对参数数量的惩罚更重样本量较大时倾向于选择更简洁的模型。若两个模型AIC接近取参数较少者更稳妥。另一个高频问题是差分阶数的误用。对原始序列做一次差分后如果ADF检验已经显著平稳就不必做二阶差分过度差分会引入额外的移动平均项反而破坏模型结构。课件中应反复强调差分是消除非平稳性的手段不是越多越好。此外ARIMA类默认不包含常数项如果差分后序列的均值明显不为零需要在拟合时手动加入trendc参数否则截距会被错误地并入误差项。这些边界条件正是课件里比公式更值得用一页篇幅展开的细节。4. 让课件活起来的工程细节用Python把每个结论复现出来4.1 季节性与STL分解ARIMA的天然补充很多实际序列不止有趋势还有明显的周期性例如零售日销数据有周周期性流量数据有日内双峰。ARIMA本身并不直接处理周期项这正是在ARIMA之外必须给课件补充季节性分解与SARIMA模型的原因。STL分解是教学中演示周期结构最直观的工具它把序列拆为趋势项、季节项和残差项三部分。下面的代码用statsmodels的STL类对带月周期的数据做分解。import pandas as pd import numpy as np import matplotlib.pyplot as plt from statsmodels.tsa.seasonal import STL # 生成两年逐日数据叠加周周期和趋势 dates pd.date_range(start2023-01-01, periods730, freqD) trend np.linspace(10, 20, 730) weekly 2 * np.sin(2 * np.pi * np.arange(730) / 7) noise np.random.normal(0, 0.3, size730) sales trend weekly noise series pd.Series(sales, indexdates, namedaily_sales) # STL分解周期设为7天趋势平滑窗口设为21天 stl STL(series, period7, trend21, seasonal7) result stl.fit() # 绘制分解图 fig result.plot() fig.set_size_inches(12, 8) plt.tight_layout() plt.savefig(stl_decomposition.png, dpi150)period7指定周周期长度因为数据是逐日记录一周7天。trend21表示趋势项的平滑窗口为21天这个值越大趋势越平滑通常设置为周期长度的2到4倍。seasonal7是季节项本身的平滑窗口。STL分解在课件里的价值不只是画图它给出了一个判断季节性是否显著的依据如果分解后的季节项振幅很小、与噪声差异不大就应该把它当作无关波动而不是真的周期性规律。4.2 SARIMA的阶数与超参数表STL负责可视化建模则要交给SARIMA。SARIMA在ARIMA的(p,d,q)之上多了四个参数(P,D,Q,s)其中s是季节周期长度P、D、Q分别是季节自回归阶数、季节差分阶数、季节移动平均阶数。下面这张参数表直接给出了日数据和月数据场景下的常见取值方便课件演示时快速上手。场景数据频率s推荐起点说明周周期性日度7SARIMA(1,0,1)(1,0,1,7)周周期较稳定通常无需季节差分月周期性日度30或31先拟合ARIMA再评估是否加入季节项周期不等于自然月长度时要谨慎年周期性月度12SARIMA(0,1,1)(0,1,1,12)经典航空公司模型适合有明显年增长双周期周年日度7与365优先考虑外部回归或GARCH类方法SARIMA在此场景会参数爆炸4.3 预测结果可视化与置信区间课件演示的好坏分界线模型拟合完成后课件展示的重点从「模型长什么样」转向「预测得准不准」。注意区分两种预测样本内拟合值是对历史数据的回代样本外预测才是对未知未来的外推。statsmodels的get_forecast方法可以同时给出点预测和置信区间后者是时间序列预测与普通分类问题在呈现上的关键差异——听众需要看到不确定性范围而不仅仅是一条线或一个数字。import matplotlib.pyplot as plt import numpy as np # 接续前面训练好的模型 result对测试集长度进行预测 forecast_result result.get_forecast(stepslen(test)) pred_mean forecast_result.predicted_mean conf_int forecast_result.conf_int() plt.figure(figsize(12, 5)) plt.plot(train.index, train, labeltrain, colorblack) plt.plot(test.index, test, labeltest, colorblue) plt.plot(pred_mean.index, pred_mean, labelforecast, colorred) plt.fill_between(pred_mean.index, conf_int.iloc[:, 0], conf_int.iloc[:, 1], colorred, alpha0.2, label95% confidence interval) plt.legend() plt.title(ARIMA Forecast vs Actual) plt.tight_layout() plt.savefig(forecast_result.png, dpi150) # 计算预测误差常见指标 mse np.mean((np.array(pred_mean) - np.array(test)) ** 2) mae np.mean(np.abs(np.array(pred_mean) - np.array(test))) print(fMSE: {mse:.2f}, MAE: {mae:.2f})stepslen(test)指定预测步数与测试集长度一致这样可视化时方便与真实值对比。conf_int()返回数据框第一列是下界第二列是上界。fill_between用于绘制置信区间阴影带透明度alpha0.2保证能看清背后的实际曲线。MSE和MAE是评估预测精度的常用指标但课件中要说明它们的局限性MSE对异常值更敏感MAE更稳健单独看一个指标不足以判断模型优劣。4.4 嵌入PPT的图表规格与配色选型同样一张图画布尺寸和分辨率不同在投影仪上的效果天差地别。建议所有这些图都按figsize(12, 5)到(14, 6)的宽幅比例设置用dpi150及以上保存。太窄的图在PPT里放大后会模糊且变形太高的图又会抢占文字空间。配色上避免默认的蓝色循环实测深灰色画真实数据、红色画预测值、浅红色画置信区间的方案在深色背景和浅色背景的PPT里都清晰可辨。字体大小至少14号标题用18号以上保证教室后排能看清。5. 把课件讲到不催眠的演示节奏与翻车预案在投影仪前站过一次的人都知道时间序列分析课件最容易出现的冷场点不是数学推导而是「图太多没重点」和「代码现场跑崩」。这里给一套经过多次内部分享验证的演示节奏每页PPT必须有一个核心结论句图只保留支撑这个结论的一到两张。讲ACF和PACF时先放一张非平稳序列的ACF图让听众观察「衰减有多慢」再放差分后序列的ACF图做对比形成一个视觉落差比单纯念定义有效得多。代码演示不要现场从第一行敲到最后一行的全流程而是准备一个已经跑好结果的全部代码文件现场重点执行模型拟合和预测两个单元。跑代码前要确认statsmodels和matplotlib的版本兼容如果是离线会议环境提前用pip freeze确认依赖完整。有一个常见坑需要提前踩好plot_acf在部分版本中传入ax参数后仍会创建新的Figure对象导致PPT页面上出现空白图框解决方法是直接用返回的Figure实例保存或者关闭自动创建。另一个高频事故是索引对齐问题——训练集和测试集拼接后索引不连续predict出来的结果无法直接和实际值对齐统一用reset_index(dropTrue)或显式指定start、end参数可以规避。预测误差的解读也要提前准备好边说辞。听众大概率会抓住MSE不放课件里应该把预测结果与最简单的基准模型对比比如「用上一期真实值作为预测」的朴素方法。如果ARIMA模型的MAE只比朴素法好一点点这恰恰是后续引入特征工程、外部回归或更复杂模型的切入点。这种对比能引导讨论朝向模型边界的思考让课件讲完后还有互动空间而不是以一句「今天的分享就到这里」收场。本文还有配套的精品资源点击获取 时间序列分析课件实战：从平稳性检验到ARIMA建模
简介面向统计学专业学生与研究人员的《理学统计时间序列分析》PPT课件系统讲解时间序列分析的基本概念与核心方法帮助读者掌握时间序列的定义、分类、构成要素及常用分析模型。内容覆盖绝对数、相对数、平均数等序列类型重点阐释长期趋势、季节变动、循环波动与不规则波动四要素并通过指标分析法和构成因素分析法揭示现象随时间变化的规律。课件还对比了加法模型与乘法模型的适用情形详细讲解发展水平、增长量、平均增长量、发展速度、增长速度等指标的计算与应用配有清晰的公式与示例适合课堂辅助学习或自学入门。压缩包内共1个pptx文件容量370KBPPT共48页结构完整、图文结合便于直接演示与阅读章节依次涵盖分类、构成要素、分析模型与指标计算逻辑清晰。目前已有69人学习下载可作为时间序列分析课程备课或复习的实用参考资料。1. 做一份能讲清楚的时间序列分析课件先定框架拿到「理学统计时间序列分析PPT课件.pptx」这个名字多数人第一反应是找现成模板但真正的价值在于如何把时间序列分析这门数理统计课程组织成一套既能推导、又能实操的演示材料。这决定了这份课件不是简单的概念罗列而是要回答四个问题为什么要学平稳性、自相关函数怎么读、ARIMA模型如何定阶、残差检验到底在验证什么。目标读者通常是统计专业本科生、转做数据分析的工程师以及需要给团队做内部分享的算法岗同学。他们都会带着同一个诉求打开这份课件听完知道怎么对一组真实数据动手建模而不只是记住几个公式。因此这篇博文顺着这个标题把课件背后最常用的理论框架、建模链路和可复现的Python实现完整拆开讲清楚一套能直接搬进课堂或周会的方案。2. 课件第一块硬核平稳性、白噪声与自相关函数2.1 为什么理学统计的课件必然从平稳性讲起时间序列分析与普通回归的第一个分野就是观测值之间不独立。经典回归假设误差独立同分布而序列数据天然带有时间上的依赖结构。如果忽略这个依赖回归系数的标准误会被严重低估t检验和F检验全部失真。平稳性正是为了给这种依赖结构一个可估计的数学前提只有当均值、方差不随时间漂移且任意两时点之间的协方差只依赖于时间间隔样本自相关函数才有统计意义模型的参数估计才有一致性保证。课件这里通常会强调「严平稳」与「宽平稳」的区别。严平稳要求联合分布平移不变实际数据几乎做不到宽平稳只约束一阶矩和二阶矩理论上可检验、可操作所以ARMA族模型全部建立在这条弱平稳假设上。讲课时可以用一句话帮听众建立直觉宽平稳的数据像一条水平震荡的绳子均值不飘、波动幅度不放大它的历史规律才对未来有参考价值。2.2 用一组代码让自相关图成为课件的核心可视化自相关函数是连接「理论」和「模型识别」的桥梁。样本ACF的计算方式并不复杂对滞后k期计算序列与其自身平移k步后的相关系数。但手工计算毫无意义课件演示的重点应该是让听众读懂ACF图和PACF图的形态。下面这段Python代码可以嵌入课件配套的Notebook中直接基于真实数据生成诊断图。import numpy as np import pandas as pd import matplotlib.pyplot as plt from statsmodels.graphics.tsaplots import plot_acf, plot_pacf from statsmodels.tsa.stattools import adfuller # 生成一段带趋势和周期性的非平稳序列用于对比演示 t np.arange(0, 300) trend 0.02 * t seasonal 2 * np.sin(2 * np.pi * t / 20) np.random.seed(42) noise np.random.normal(0, 0.5, sizet.shape) series trend seasonal noise # 绘制原始序列的ACF图滞后阶数取40期 fig, ax plt.subplots(figsize(10, 4)) plot_acf(series, lags40, axax, alpha0.05) ax.set_title(ACF of Non-Stationary Series) ax.set_xlabel(Lag) ax.set_ylabel(Autocorrelation) plt.tight_layout() plt.savefig(acf_nonstationary.png, dpi150)这段代码做了什么构造了一个包含线性趋势、正弦周期项和随机噪声的合成序列用来演示非平稳数据在ACF图中的典型特征——自相关系数衰减极慢几乎不落入置信区间。lags40控制横轴展示的滞后阶数alpha0.05决定蓝色置信带的宽度它代表在大样本近似下纯随机序列的样本ACF有95%的概率落在这个范围内。把这张图和平稳序列的ACF图并排放进课件听众一眼就能看出「拖尾」与「截尾」的区别这是后续ARMA定阶的视觉基础。2.3 ADF检验的结果怎么放进课件里讲自相关图是直观工具但理学科班训练要求学生用假设检验的结论来支撑判断。ADF检验是课件中绕不开的正式方法它检验的原假设是「序列存在单位根即非平稳」。使用时有一个高频误用点ADF检验对趋势项和常数项的设定非常敏感。对带明显线性趋势的序列regressionct是更稳妥的选择对均值围绕某个常数波动的序列用regressionc即可。下面给出完整判断流程。from statsmodels.tsa.stattools import adfuller result adfuller(series, maxlagNone, regressionct, autolagAIC) print(fADF Statistic: {result[0]:.4f}) print(fp-value: {result[1]:.4f}) print(fCritical Values: {result[4]})maxlagNone表示由autolagAIC自动选择最优滞后阶数这里使用AIC准则平衡拟合优度与参数数量。regressionct对应含常数项和时间趋势的检验方程与上面构造数据的生成过程一致。运行后p值会远大于0.05结论是不拒绝单位根原假设序列非平稳。课件里建议同时展示差分后的ADF检验结果形成「非平稳→一阶差分→平稳」的完整演示闭环。差分在statsmodels里没有独立函数用series.diff().dropna()就能完成顺序执行两次就是二阶差分但实际建模中差分阶数超过2的情况极少。3. ARIMA建模课件的主体从ACF/PACF定阶到残差检验3.1 四种基本模型的数学形式与适用场景对照课件讲到ARIMA时最容易让学生困惑的是AR、MA、ARMA、ARIMA四者之间的关系。这里务必用一张对照表把数学形式和特征讲透而不是只念定义。AR模型的当前值是自身滞后项的线性组合MA模型是白噪声冲击的线性组合ARMA将两者合并ARIMA则在ARMA之前多一步差分操作专门处理非平稳序列。PACF在AR模型中截尾、ACF拖尾MA模型则相反ACF截尾、PACF拖尾。这张表是整份课件的定阶地图。模型数学形式简写ACF特征PACF特征适用场景AR(p)(x_t c \sum \phi_i x_{t-i} \varepsilon_t)拖尾指数衰减p阶后截尾序列受自身历史影响强MA(q)(x_t \mu \sum \theta_j \varepsilon_{t-j} \varepsilon_t)q阶后截尾拖尾指数衰减序列受过去随机冲击影响ARMA(p,q)两者结合拖尾拖尾平稳序列且自回归与移动平均同时存在ARIMA(p,d,q)ARMA作用于d阶差分后序列取决于差分后ARMA部分同左非平稳序列经d阶差分后平稳3.2 statsmodels完整建模流程数据拆分、定阶、拟合与预测课件不能只给模型公式还要给一套最小可运行的建模代码。下面这段代码针对一个典型的非平稳序列演示从差分、定阶到拟合预测的完整链路。这里选用statsmodels的ARIMA类它在较新版本中已经统一了AR、MA、差分和季节性扩展的接口。import numpy as np import pandas as pd from statsmodels.tsa.arima.model import ARIMA from statsmodels.graphics.tsaplots import plot_acf, plot_pacf from statsmodels.stats.diagnostic import acorr_ljungbox import matplotlib.pyplot as plt # 构造带趋势与周期性的非平稳序列 t np.arange(1, 401) series 0.015 * t 3 * np.sin(2 * np.pi * t / 30) np.random.normal(0, 0.6, sizet.shape) ts pd.Series(series, indexpd.date_range(start2024-01-01, periodslen(t), freqD)) # 训练集取前350天测试集取后50天用于评估预测效果 train, test ts.iloc[:-50], ts.iloc[-50:] # 一阶差分消除线性趋势 diff1 train.diff().dropna() # 绘制差分后序列的ACF与PACF用于选择p和q fig, axes plt.subplots(1, 2, figsize(14, 4)) plot_acf(diff1, lags30, axaxes[0], alpha0.05) plot_pacf(diff1, lags30, axaxes[1], alpha0.05, methodywm) axes[0].set_title(ACF after First Difference) axes[1].set_title(PACF after First Difference) plt.tight_layout() plt.savefig(acf_pacf_after_diff.png, dpi150) # 根据图形观察ACF在滞后2期后截尾PACF在滞后2期后截尾初步判断ARMA(2,2) # 结合AIC比较最终选择ARIMA(2,1,2) model ARIMA(train, order(2, 1, 2)) result model.fit() print(result.summary()) # 残差白噪声检验Ljung-Box检验滞后10期 resid result.resid lb_test acorr_ljungbox(resid, lags[10], return_dfTrue) print(lb_test)这段代码分四步展开先做一阶差分再通过ACF/PACF图做视觉定阶然后用AIC辅助确认最后拟合模型并对残差做Ljung-Box检验。methodywm是Yule-Walker方法的改进版本相比默认方法能更稳定地估计PACF尤其适合样本量不大的场景。order(2,1,2)的含义是p2、d1、q2即对原始序列做一次差分差分后序列用ARMA(2,2)建模。代码中Ljung-Box检验输出lb_pvalue如果该值大于0.05说明残差没有显著的序列相关性模型的信息提取已经足够充分。3.3 定阶过程中的常见误判与应对策略实践中ACF/PACF图的截尾和拖尾很少像教科书那么干净尤其是样本量不足或序列受异常值干扰时。通常的处理策略是先确定一个较小的候选范围例如p和q都在0到3之间对每个组合计算AIC或BIC选择信息准则最小的模型同时还要兼顾残差检验是否通过。AIC和BIC的差别在于惩罚项的强度BIC对参数数量的惩罚更重样本量较大时倾向于选择更简洁的模型。若两个模型AIC接近取参数较少者更稳妥。另一个高频问题是差分阶数的误用。对原始序列做一次差分后如果ADF检验已经显著平稳就不必做二阶差分过度差分会引入额外的移动平均项反而破坏模型结构。课件中应反复强调差分是消除非平稳性的手段不是越多越好。此外ARIMA类默认不包含常数项如果差分后序列的均值明显不为零需要在拟合时手动加入trendc参数否则截距会被错误地并入误差项。这些边界条件正是课件里比公式更值得用一页篇幅展开的细节。4. 让课件活起来的工程细节用Python把每个结论复现出来4.1 季节性与STL分解ARIMA的天然补充很多实际序列不止有趋势还有明显的周期性例如零售日销数据有周周期性流量数据有日内双峰。ARIMA本身并不直接处理周期项这正是在ARIMA之外必须给课件补充季节性分解与SARIMA模型的原因。STL分解是教学中演示周期结构最直观的工具它把序列拆为趋势项、季节项和残差项三部分。下面的代码用statsmodels的STL类对带月周期的数据做分解。import pandas as pd import numpy as np import matplotlib.pyplot as plt from statsmodels.tsa.seasonal import STL # 生成两年逐日数据叠加周周期和趋势 dates pd.date_range(start2023-01-01, periods730, freqD) trend np.linspace(10, 20, 730) weekly 2 * np.sin(2 * np.pi * np.arange(730) / 7) noise np.random.normal(0, 0.3, size730) sales trend weekly noise series pd.Series(sales, indexdates, namedaily_sales) # STL分解周期设为7天趋势平滑窗口设为21天 stl STL(series, period7, trend21, seasonal7) result stl.fit() # 绘制分解图 fig result.plot() fig.set_size_inches(12, 8) plt.tight_layout() plt.savefig(stl_decomposition.png, dpi150)period7指定周周期长度因为数据是逐日记录一周7天。trend21表示趋势项的平滑窗口为21天这个值越大趋势越平滑通常设置为周期长度的2到4倍。seasonal7是季节项本身的平滑窗口。STL分解在课件里的价值不只是画图它给出了一个判断季节性是否显著的依据如果分解后的季节项振幅很小、与噪声差异不大就应该把它当作无关波动而不是真的周期性规律。4.2 SARIMA的阶数与超参数表STL负责可视化建模则要交给SARIMA。SARIMA在ARIMA的(p,d,q)之上多了四个参数(P,D,Q,s)其中s是季节周期长度P、D、Q分别是季节自回归阶数、季节差分阶数、季节移动平均阶数。下面这张参数表直接给出了日数据和月数据场景下的常见取值方便课件演示时快速上手。场景数据频率s推荐起点说明周周期性日度7SARIMA(1,0,1)(1,0,1,7)周周期较稳定通常无需季节差分月周期性日度30或31先拟合ARIMA再评估是否加入季节项周期不等于自然月长度时要谨慎年周期性月度12SARIMA(0,1,1)(0,1,1,12)经典航空公司模型适合有明显年增长双周期周年日度7与365优先考虑外部回归或GARCH类方法SARIMA在此场景会参数爆炸4.3 预测结果可视化与置信区间课件演示的好坏分界线模型拟合完成后课件展示的重点从「模型长什么样」转向「预测得准不准」。注意区分两种预测样本内拟合值是对历史数据的回代样本外预测才是对未知未来的外推。statsmodels的get_forecast方法可以同时给出点预测和置信区间后者是时间序列预测与普通分类问题在呈现上的关键差异——听众需要看到不确定性范围而不仅仅是一条线或一个数字。import matplotlib.pyplot as plt import numpy as np # 接续前面训练好的模型 result对测试集长度进行预测 forecast_result result.get_forecast(stepslen(test)) pred_mean forecast_result.predicted_mean conf_int forecast_result.conf_int() plt.figure(figsize(12, 5)) plt.plot(train.index, train, labeltrain, colorblack) plt.plot(test.index, test, labeltest, colorblue) plt.plot(pred_mean.index, pred_mean, labelforecast, colorred) plt.fill_between(pred_mean.index, conf_int.iloc[:, 0], conf_int.iloc[:, 1], colorred, alpha0.2, label95% confidence interval) plt.legend() plt.title(ARIMA Forecast vs Actual) plt.tight_layout() plt.savefig(forecast_result.png, dpi150) # 计算预测误差常见指标 mse np.mean((np.array(pred_mean) - np.array(test)) ** 2) mae np.mean(np.abs(np.array(pred_mean) - np.array(test))) print(fMSE: {mse:.2f}, MAE: {mae:.2f})stepslen(test)指定预测步数与测试集长度一致这样可视化时方便与真实值对比。conf_int()返回数据框第一列是下界第二列是上界。fill_between用于绘制置信区间阴影带透明度alpha0.2保证能看清背后的实际曲线。MSE和MAE是评估预测精度的常用指标但课件中要说明它们的局限性MSE对异常值更敏感MAE更稳健单独看一个指标不足以判断模型优劣。4.4 嵌入PPT的图表规格与配色选型同样一张图画布尺寸和分辨率不同在投影仪上的效果天差地别。建议所有这些图都按figsize(12, 5)到(14, 6)的宽幅比例设置用dpi150及以上保存。太窄的图在PPT里放大后会模糊且变形太高的图又会抢占文字空间。配色上避免默认的蓝色循环实测深灰色画真实数据、红色画预测值、浅红色画置信区间的方案在深色背景和浅色背景的PPT里都清晰可辨。字体大小至少14号标题用18号以上保证教室后排能看清。5. 把课件讲到不催眠的演示节奏与翻车预案在投影仪前站过一次的人都知道时间序列分析课件最容易出现的冷场点不是数学推导而是「图太多没重点」和「代码现场跑崩」。这里给一套经过多次内部分享验证的演示节奏每页PPT必须有一个核心结论句图只保留支撑这个结论的一到两张。讲ACF和PACF时先放一张非平稳序列的ACF图让听众观察「衰减有多慢」再放差分后序列的ACF图做对比形成一个视觉落差比单纯念定义有效得多。代码演示不要现场从第一行敲到最后一行的全流程而是准备一个已经跑好结果的全部代码文件现场重点执行模型拟合和预测两个单元。跑代码前要确认statsmodels和matplotlib的版本兼容如果是离线会议环境提前用pip freeze确认依赖完整。有一个常见坑需要提前踩好plot_acf在部分版本中传入ax参数后仍会创建新的Figure对象导致PPT页面上出现空白图框解决方法是直接用返回的Figure实例保存或者关闭自动创建。另一个高频事故是索引对齐问题——训练集和测试集拼接后索引不连续predict出来的结果无法直接和实际值对齐统一用reset_index(dropTrue)或显式指定start、end参数可以规避。预测误差的解读也要提前准备好边说辞。听众大概率会抓住MSE不放课件里应该把预测结果与最简单的基准模型对比比如「用上一期真实值作为预测」的朴素方法。如果ARIMA模型的MAE只比朴素法好一点点这恰恰是后续引入特征工程、外部回归或更复杂模型的切入点。这种对比能引导讨论朝向模型边界的思考让课件讲完后还有互动空间而不是以一句「今天的分享就到这里」收场。本文还有配套的精品资源点击获取