Auto.arima（）函数不会导致白噪声。我应该如何去建模数据

这是初始数据的图（执行对数转换后）。 Auto.arima（）函数不会导致白噪声。我应该如何去建模数据

很明显，既有线性趋势也有季节性趋势。我可以通过第一个和第十二个（季节性）差异来解决这两个问题：diff（diff（data），12）。这样做之后，这里是所得数据的图表

。

这个数据看起来不太好。虽然平均值不变，但随着时间的推移，我们会看到漏斗效应。这里是ACF/PACF：。

任何可能适合尝试的建议。我使用了auto.arima（）函数，该函数建议使用ARIMA（2,0,2）xARIMA（1,0,2）（12）模型。但是，一旦我从合适的残余物中抽取出来，很明显它们中还有某种结构。下面是残差的拟合残差图和ACF/PACF图。

似乎没有成为关于季节性模式，其滞后有残留的ACF/PACF尖峰。但是，这仍然是前面步骤未捕获的内容。你建议我做什么？我怎么能够建立一个更好的模型，有更好的模型诊断（目前这只是一个更好看的ACF和PACF）？

这里是我的简化代码迄今：

library(TSA) 
    library(forecast) 
    beer <- read.csv('beer.csv', header = TRUE) 
    beer <- ts(beer$Production, start = c(1956, 1), frequency = 12) 

    # transform data 
    boxcox <- BoxCox.ar(beer) # 0 in confidence interval 
    beer.log <- log(beer) 
    firstDifference <- diff(diff(beer.log), 12) # get rid of linear and 
    # seasonal trend 
    acf(firstDifference) 
    pacf(firstDifference) 
    eacf(firstDifference) 
    plot(armasubsets(firstDifference, nar=12, nma=12)) 

    # fitting the model 
    auto.arima(firstDifference, ic = 'bic') # from forecasting package 
    modelFit <- arima(firstDifference, order=c(1,0,0),seasonal 
    =list(order=c(2, 0, 0), period = 12)) 

    # assessing model 
    resid <- modelFit$residuals      
    acf(resid, lag.max = 15) 
    pacf(resid, lag.max = 15)

这里的数据，如果有兴趣（我认为你可以使用HTML来CSV格式转换器，如果你想）：https://docs.google.com/spreadsheets/d/1S8BbNBdQFpQAiCA4J18bf7PITb8kfThorMENW-FRvW4/pubhtml

来源

2017-04-25 Jane Sully

请例如共享数据和代码。 – mtoto

会做！共享数据集最简单的方法是什么（约300个值）和r代码？ –

您可以使用'dput（）'共享说明您的问题的数据集的一部分，例如前100个值。 – mtoto