本文讨论用ARIMA模型进行预测。考虑一些简单的平稳的AR（1）模拟时间序列
> for(t in 2:n) X\[t\]=phi*X\[t-1\]+E\[t\] > plot(X,type="l")
如果我们拟合一个AR（1）模型。
arima(X,order=c(1,0,0), + include.mean = FALSE)
我们观察到预测值向0的指数衰减，以及增加的置信区间（其中方差增加，从白噪声的方差到平稳时间序列的方差）。普通线是有条件的预测（因为AR（1）是一个一阶马尔可夫过程），虚线是无条件的。让我们存储一些数值，把它们作为基准。
如果我们拟合一个MA（1）模型
> P=predict(model,n.ahead=20) > plot(P$pred)
在两个滞后期之后，预测是无效的，而且（条件）方差保持不变。但如果我们考虑一个具有较长阶数的移动平均过程。
> P=predict(model,n.ahead=20) > plot(P$pred) >
我们得到一个可以与AR(1)过程相比较的输出。因为我们的AR(1)过程也可以被看作是一个具有无限阶数的MA(∞)。
但是，如果我们认为时间序列不是平稳的，那么我们就拟合一个arima模型
> model=arima(X,order=c(0,1,0), + include.mean = FALSE)
我们观察到：预测是平稳的，置信区间不断增加，实际上，方差向无穷大增加（以线性速度）。因此，在区分一个时间序列时应该非常小心，它将对预测产生巨大影响。
