現在你已經看過多個時間序列的 ACF 圖，你應該能只從 ACF 圖辨識時間序列的特性。
請將所示的 ACF 圖（A–D）與其對應的時間圖（1–4）配對。
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
在任何資料分析任務中，第一件事就是把資料畫出來。圖形能讓你視覺化地看見資料中的許多特徵，包括型態、異常觀測值，以及隨時間的變化。接著，你在圖中觀察到的特徵，應盡可能被納入即將使用的預測方法裡。
當前練習
在本章中，你會學到適用於多種預測情境的一般工具。內容將說明一些基準預測的方法、檢查某個預測方法是否已充分利用可用資訊的作法，以及衡量預測準確度的方法。本章討論的每一項工具，之後在各章將一再用到，協助你發展並探索各式各樣的預測方法。
使用指數平滑法產生的預測，是對過去觀測值的加權平均，且觀測越久以前，其權重會以指數方式遞減。換句話說，愈近期的觀測值，所佔的權重愈高。這個架構能快速產生可靠的預測，且適用於各式各樣的時間序列，對商業應用而言是極大的優勢與關鍵。
ARIMA 模型提供了另一種時間序列預測的途徑。指數平滑法與 ARIMA 模型是時間序列預測中最常用的兩大方法，並且彼此互補。指數平滑模型著重於描述資料中的趨勢與季節性；而 ARIMA 模型則著重於描述資料中的自我相關關係。
前幾章介紹的時間序列模型對許多時間序列都很有效，但對每週或每小時資料往往不夠理想，且無法納入其他資訊，例如假期影響、競爭者活動、法規變動等。本章將探討處理更複雜季節性的部分方法，並說明如何延伸 ARIMA 模型，以便將其他資訊一併納入。
