ARIMA模型全稱為自回歸移動平均模型(Autoregressive Integrated Moving Average Model,簡記ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出的一著名時間序列預(yù)測方法，所以又稱為box-jenkins模型、博克思-詹金斯法。其中ARIMA（p，d，q）稱為差分自回歸移動平均模型，AR是自回歸, p為自回歸項; MA為移動平均，q為移動平均項數(shù)，d為時間序列成為平穩(wěn)時所做的差分次數(shù)。

ARIMA模型的基本思想是：將預(yù)測對象隨時間推移而形成的數(shù)據(jù)序列視為一個隨機序列，用一定的數(shù)學(xué)模型來近似描述這個序列。這個模型一旦被識別后就可以從時間序列的過去值及現(xiàn)在值來預(yù)測未來值?，F(xiàn)代統(tǒng)計方法、計量經(jīng)濟模型在某種程度上已經(jīng)能夠幫助企業(yè)對未來進(jìn)行預(yù)測。

（一）根據(jù)時間序列的散點圖、自相關(guān)函數(shù)和偏自相關(guān)函數(shù)圖以ADF單位根檢驗其方差、趨勢及其季節(jié)性變化規(guī)律，對序列的平穩(wěn)性進(jìn)行識別。一般來講，經(jīng)濟運行的時間序列都不是平穩(wěn)序列。

（二）對非平穩(wěn)序列進(jìn)行平穩(wěn)化處理。如果數(shù)據(jù)序列是非平穩(wěn)的，并存在一定的增長或下降趨勢，則需要對數(shù)據(jù)進(jìn)行差分處理，如果數(shù)據(jù)存在異方差，則需對數(shù)據(jù)進(jìn)行技術(shù)處理，直到處理后的數(shù)據(jù)的自相關(guān)函數(shù)值和偏相關(guān)函數(shù)值無顯著地異于零。

（三）根據(jù)時間序列模型的識別規(guī)則，建立相應(yīng)的模型。若平穩(wěn)序列的偏相關(guān)函數(shù)是截尾的，而自相關(guān)函數(shù)是拖尾的，可斷定序列適合AR模型；若平穩(wěn)序列的偏相關(guān)函數(shù)是拖尾的，而自相關(guān)函數(shù)是截尾的，則可斷定序列適合MA模型；若平穩(wěn)序列的偏相關(guān)函數(shù)和自相關(guān)函數(shù)均是拖尾的，則序列適合ARMA模型。

（四）進(jìn)行參數(shù)估計，檢驗是否具有統(tǒng)計意義。

（五）進(jìn)行假設(shè)檢驗，診斷殘差序列是否為白噪聲。

（六）利用已通過檢驗的模型進(jìn)行預(yù)測分析。