年，见图3.20。
图3.19
图3.20
（2）预测
在方程（Equation）窗口中，点Forecast按钮，图3.21所示的对话框与图3.15相同，此时只需在Method处选择Dynamic forecast，Forecast sample处填写1999 2003，其他选项为默认值，然后，点击OK即可得到图3.22。 注：S.E用于存放预测的估计标准误差，便于计算置信区间。
26
图3.21
图3.22
例2 对1952-1988年中国农业实际国民收入指数序列建模。数据见下表。 年份 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 指数 100 101.6 103.3 111.5 116.5 120.1 120.3 100.6 83.6 84.7 年份 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 指数 88.7 98.9 111.9 122.9 131.9 134.2 131.6 132.2 139.8 142 年份 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 指数 140.5 153.1 159.2 162.3 159.1 155.1 161.2 171.5 168.4 180.4 年份 1982 1983 1984 1985 1986 1987 1988 指数 201.6 218.7 247 253.7 261.4 273.2 279.4 27
① 做时序图与自相关图（x表示1952-1988年中国农业实际国民收入指数序列）
X320280240200160120801955196019651970197519801985 图3.23
图3.24
可见序列为非平稳序列。 ② 序列平稳化
进行一阶差分，得差分序列dx，操作如下：
genr dx=x-x（-1）
或者 series dx=x-x（-1）
一阶差分序列dx的时序图见图3.25，趋势性已经得到了平滑。其自相关图见图3.26。
可见一阶差分序列dx为平稳序列。
28
DX3020100-10-20-301955196019651970197519801985 图3.25 图3.26
③ 模型识别
由图3.26，可以尝试做如下几个模型：
ARIMA（1，1，1），ARIMA（1，1，0），ARIMA（0，1，1）首先考察ARIMA（0，1，1）模型的建立：
ls d（x） c ma（1）
得到图3.27。
29
图3.27
?Bx)t?5.015?56?9模型为 (1(10.B7?0t 8该模型的特征根如图3.28，在单位圆内，所以可逆。
Inverse Roots of AR/MA Polynomial(s)1.51.00.5MA roots0.0-0.5-1.0-1.5-1.5-1.0-0.50.00.51.01.5 图3.28
残差的纯随机性检验及异方差检验分别见图3.29和3.30，可知为纯随机序列，且不存在异方差。由图3.31可见残差序列的均值为0，所以残差序列为白噪声序列。
由图3.27也可以看到模型的参数显著不为0。
30