基于Matlab的ARIMA模型：时间序列预测与评估的完整步骤（p,d,q)
# 基于Matlab的ARIMA模型探索
在时间序列分析的领域里，ARIMA（Autoregressive Integrated Moving Average）模型，也就是自
回归差分移动平均模型，占据着重要的地位。它以(p, d, q)这三个参数来定义，其中p对应自回归（AR）模
型部分，q对应移动平均（MA）模型部分，d则表示差分的阶数。今天咱就来唠唠怎么在Matlab里玩转ARIMA模
型。
## 1. 数据平稳性检验
在构建ARIMA模型之前，首要任务就是检验数据的平稳性。平稳的数据就像平坦的大道，能让模型的
构建之路更顺畅。为啥这么说呢？因为非平稳的数据就像过山车一样起伏不定，会给模型带来各种难以处
理的问题。
在Matlab里，我们可以用`adftest`函数来进行平稳性检验。假设有一组时间序列数据`data`：
```matlab
% 假设data是我们的时间序列数据
data = [10 12 15 13 16 14 17 19 20 18];
[pValue, statistic] = adftest(data);
if pValue < 0.05
disp('数据是平稳的');
else
disp('数据是非平稳的，可能需要进行差分');
end
```
这里`adftest`函数会返回p值和检验统计量。如果p值小于0.05，我们就可以认为数据是平稳的，就
像拿到了一张可以直接进入模型构建环节的通行证。要是p值大于0.05，那就说明数据非平稳，得考虑差分
操作，就像给崎岖的山路修平整一样。
## 2. 确定模型参数
确定模型参数（p, d, q）可是个关键活儿。p代表自回归阶数，它反映了当前值与过去值之间的关系
；q是移动平均阶数，和过去的误差项相关；d是差分阶数，用来让非平稳数据变平稳。
在Matlab中，我们可以通过观察自相关函数（ACF）和偏自相关函数（PACF）来初步确定p和q的值。
```matlab
figure;
subplot(2,1,1);
