时间序列中的自相关函数为什么递减？对平稳过程，为什么自相关函数快速递减到零？ 时间序列分为AR模型、MA模型和ARMA模型，若自相关函数快速递减到0，则说明是MA模型
（三）时间序列分析的基本方法 1.模型的选择和建模基本步骤（1）建模基本步骤1）用观测、调查、取样，取得时间序列动态数据。2）作相关图，研究变化的趋势和周期，并能发现跳点和拐点。拐点则是指时间序列从上升趋势突然变为下降趋势的点，如果存在拐点，则在建模时必须用不同的模型去分段拟合该时间序列。3）辨识合适的随机模型，进行曲线拟合。（2）模型的选择当利用过去观测值的加权平均来预测未来的观测值时，赋予离得越近的观测值以更多的权，而“老”观测值的权数按指数速度递减，称为指数平滑（exponential smoothing），它能用于纯粹时间序列的情况。对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列，可用自回归（AR）模型、移动平均（MA）模型或其组合的自回归移动平均（ARMA）模型等来拟合。一个纯粹的AR模型意味着变量的一个观测值由其以前的p个观测值的线性组合加上随机误差项而成，就像自己对自己回归一样，所以称为自回归模型。MA模型意味着变量的一个观测值由目前的和先前的n个随机误差的线性的组合。当观测值多于50个时一般采用ARMA模型。对于非平稳时间序列，则要先将序列进行差分（Difference，即每一观测值减去其前一观测值或周期值。
非平稳的时间序列的处理方法有哪些 1、时间序列 取自某一个随机过程，如果此随机过程的随机特征不随时间变化，则我们称过程是平稳的；假如该随机过程的随机特征随时间变化，则称过程是非平稳的。2、宽平稳。
