R语言forecast包ARIMA模型两种拟合方式结果差异咨询

这个问题我之前也碰到过，其实核心是forecast包里Arima()函数的两个用法逻辑完全不一样，咱们一步步拆解：

1. 方式一：Arima(..., model = m1_shattuck_train)的本质 #

当你用model参数传入训练好的模型时，这个函数的行为是完全复用训练集得到的模型系数，只重新计算残差的方差（因为全量数据的样本量更大，残差的整体波动估计会更新）。简单说，就是把训练集里“练出来”的MA系数、季节MA系数原封不动套在全量数据上，不做任何优化调整。

这种用法的场景是：你已经确定了训练集的模型是最优的，想要快速把这个模型应用到新的数据集（比如后续的观测数据），而不是重新拟合模型。但放到全量数据上时，训练集的系数未必是全量数据的最优解，所以残差会出现未被捕捉的序列相关性——这就是你看到Ljung-Box检验p值极低的原因，而ACF图可能因为样本量变大后置信区间变窄，或者相关性的表现不够直观，所以看起来没异常。

2. 方式二：直接指定参数拟合的本质 #

当你直接写Arima(..., order=c(0,1,1), seasonal=list(...))时，函数会在全量数据集上重新估计所有模型系数（也就是MA(1)和季节MA(1)的系数）。它会基于全量数据的所有信息，通过最小化残差平方和来找到最优的系数值，这才是真正意义上“针对全量数据拟合ARIMA模型”。

因为系数是贴合全量数据优化出来的，残差会更接近白噪声，所以Ljung-Box检验的p值更高；同时，预测是基于模型系数计算的，系数不同，预测结果自然和方式一不一样。

3. 该选哪种方式？ #

• 如果你想得到针对全量数据的最优ARIMA模型，用方式二，这是常规的模型拟合流程。
• 如果你想验证训练集模型在全量数据上的泛化能力（比如看训练好的模型能不能适配更多数据），或者要把训练好的模型直接应用到新数据上，才用方式一。

内容的提问来源于stack exchange，提问作者hhkk