为学习ARIMA模型算法，需要在实际操作中获取经验，然而在获奖的论文中同样可以取别人之长补自己之短，本文选取“高教社杯2023年E题032队伍获奖优秀论文”
这份比赛论文（E032.pdf）在问题三中使用了SARIMA（季节性差分自回归移动平均模型）进行水沙通量趋势预测。整体来看，该论文在SARIMA的应用上步骤较为完整，但在理论细节、参数选择依据、模型验证方法等方面存在一些值得分析和改进的地方。
以下我将从建模流程、参数选择、模型诊断、预测效果、潜在问题与改进建议五个方面，系统分析该论文中SARIMA的使用情况，并结合你的学习需求给出学习建议。
目录
一、建模流程分析
1.1 优点
1.2 不足与问题
二、参数选择与模型结构
最终选定的模型
评价
三、模型诊断与验证
1. 残差白噪声检验（D-W检验）
2. 贴合度评估
四、预测效果与可视化
五、改进建（供你学习参考）
六、附件
一、建模流程分析
1.1 优点
流程清晰：
（1）数据划分：2016-2020年为训练集，2021年为测试集；
（2）平稳性检验（ADF检验）；
（3）差分处理（普通差分 + 季节差分）；
（4）模型识别（ACF/PACF）；
（5）模型定阶（AIC/BIC）；
（6）残差诊断（D-W检验）；
（7）预测与可视化。
考虑了季节性与周期性：
明确使用了季节性参数
s=6（每半年一个季节周期），这与问题二中分析出的“10个月周期”略有不同，但出于建模简化是合理的。
使用热力图辅助定阶：
通过热力图展示不同参数组合的AIC值，辅助选择最优模型，增强了可解释性。
1.2 不足与问题
| 问题 | 说明 |
|---|---|
| 季节周期选择不一致 | 问题二分析出“10个月”主周期，但SARIMA中使用s=6，缺乏解释或验证。 |
| 差分次数过多 | 使用了2阶普通差分 + 1阶季节差分，可能导致“过度差分”，降低模型泛化能力。 |
| 参数选择依赖AIC，但未交叉验证 | 仅使用AIC选择最优参数，未进行交叉验证或滚动预测验证，可能过拟合。 |
| 贴合度（90%）未说明评估指标 | 未明确说明是R²、MAPE还是其他指标，且未对比基准模型（如ARIMA、指数平滑）。 |
| 预测区间未提供 | 仅给出点预测值，未给出置信区间，难以评估预测不确定性。 |
二、参数选择与模型结构
最终选定的模型
SARIMA(2, 2, 3)(0, 1, 1, 6)
| 参数 | 含义 | 取值 |
|---|---|---|
| p | 非季节自回归阶数 | 2 |
| d | 非季节差分次数 | 2 |
| q | 非季节移动平均阶数 | 3 |
| P | 季节自回归阶数 | 0 |
| D | 季节差分次数 | 1 |
| Q | 季节移动平均阶数 | 1 |
| s | 季节周期长度 | 6 |
评价
p=2, q=3表明模型考虑了前两个时刻和前三期残差的影响；
Q=1表明季节移动平均成分显著；
D=1说明季节性趋势明显；
d=2可能偏大，建议尝试 d=1 或使用KPSS检验辅助判断。
三、模型诊断与验证
1.残差白噪声检验（D-W检验）
D-W值 ≈ 2.02，说明残差无自相关，模型拟合良好。
2.贴合度评估
论文称“贴合度为90%”，但未说明是训练集还是测试集；
建议补充：
测试集上的MAPE、RMSE；
与实际2021年数据对比图；
基准模型对比（如ARIMA、ETS）。
四、预测效果与可视化
论文展示了未来两年的趋势图，指出存在季节性、周期性特征；
预测结果显示2022年有极值点，之后下降；
但未给出预测值的具体表格或置信区间，缺乏实用性。
五、改进建（供你学习参考）
| 改进方向 | 建议 |
|---|---|
| 周期性选择 | 使用周期图（periodogram）或傅里叶分析辅助选择s，而非固定为6。 |
| 差分检验 | 使用KPSS检验辅助判断差分阶数，避免过度差分。 |
| 模型选择 | 使用滚动预测验证（rolling forecast）或交叉验证选择参数。 |
| 预测评估 | 使用MAPE、RMSE、MAE等指标，并在测试集上评估。 |
| 不确定性量化 | 提供预测区间（prediction interval），增强实用性。 |
| 对比模型 | 与ARIMA、ETS、Prophet等模型对比，验证SARIMA的优势。 |