你嘗試了不同的差分階數，並對差分後的資料套用 Augmented Dickey–Fuller（ADF）檢定，以判斷哪個 ARIMA 模型最適合該資料集。檢定統計如下：
你應該為這個時間序列資料擬合哪一種 ARIMA 模型？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
直接上手，先了解時間序列最重要的性質。你會認識平穩性，並了解它對 ARMA 模型為何重要。你會學會用肉眼與標準統計檢定來測試平穩性。最後，會學到 ARMA 模型的基本結構，並用它來產生 ARMA 資料並擬合一個 ARMA 模型。
本章接下來的重點，是讓你預測資料中未來的走向。你會學會使用俐落的 statsmodels 套件來擬合 ARMA、ARIMA 與 ARMAX 模型。接著，你會用模型來預測股價充滿不確定性的未來！
當前練習
在本章中，你將成為一位品味獨到的建模者。你會學會如何從資料本身辨識出有潛力的模型階數；然後在訓練出最有希望的模型後，學會如何從這些已擬合的模型中選出最佳者。你也會學到一套很好的架構，來組織你的時間序列專案。
在最後一章，你會學會如何使用季節性 ARIMA 模型來擬合更複雜的資料。你會學會將資料分解為季節性與非季節性部分，接著把所有 ARIMA 工具整合起來，挑戰最後一個全球性預測任務。
