モデルを自動的に時系列にフィットする：

データのために選ばれたモデル：

月ごとの気温データを使って予測を作成する：

月ごとの気温データおよび24ヶ月の予測：

2014年6月1日の平均気温を予測する：

予測の95%信頼区間：

特定のモデルを時系列にフィットする：

"GARCH"(1,2)モデルをデータにフィットする：

モデルと母数推定：

時系列モデルを100営業日の時系列にフィットする：

次の30営業日のシミュレーションを50回行う：

もとのデータを使って，TimeSeriesModelでの将来的な観測のシミュレーションを行う：

モデルをフィットする：

最もフィットする過程を使って，将来的な観測のシミュレーションを10回行う：

タイムスタンプあるいは初期値についての情報は，RandomFunctionには全く渡されていない：

もとのデータによって与えられた情報を使うために，TimeSeriesModelを使ってシミュレーションを行う：

時系列のためのモデルを自動的に選択する：

同様に，Automaticを指定する：

特定の族におけるモデルを求める：

モデルの自己回帰族を求める：

明示的な候補の集合から最高のモデルを選ぶ：

次数 および のARMA族を0から2まで検索する：

固定次数のモデルをフィットする：

"ARIMA"(2,1,3)モデルをデータにフィットする：

和分次数を固定し，自己回帰および移動平均の次数を求める：

モデルのARIMA族のパラメータ化：

次数 ，，および を自動的に検出する：

あるいは，すべての母数次数にAutomaticを使う：

および をAutomaticにしたままで和分次数 を固定するいくつかの等価な方法：

和分次数 をAutomaticにしたままで および を固定するいくつかの等価な方法：

モデルのSARIMA族についてのパラメータ化：

，，，，，， を自動的に検出する：

あるいは，すべての母数次数にAutomatic を使う：

他のすべてをAutomaticにしたままで，季節性の母数 を固定するいくつかの同等な方法：

季節性 ，和分次数 および を固定するいくつかの等価な方法：

使用可能な特性のリストを得る：

最適な過程を抽出する：

同等に，Normalを使う：

選ばれたモデルについて，いくつかのフィッティングの基準を示す：

最良モデルの選択に使用された基準：

データにフィットする最高のモデルをレポートする：

表からの項目：

データにフィットされた候補のリストを得る：

AICによってモデルを比較する：

フィットの残差が自己相関されているかどうかをチェックする：

遅れ3に有意な大きい山がある：

移動平均成分を加えると，遅れ3における自己相関が除かれる：

フィット後の残差についての偏相関関数が0かどうかを見る：

遅れ3に有意な大きい山がある：

移動平均成分を加えると，遅れ3における偏相関が除かれる：

自己相関についてのモデルの残差を検定する：

遅れ3および4に有意な大きい山がある：

移動平均成分を加えると，有意な自己相関が除かれる：

残差の白色性の診断プロットに使われた値を得る：

"ACFPlot"に使われた，最初の5個の自己相関値および95%信頼区間：

"PACFPlot"に使われた，最初の5個の偏自己相関値および95%信頼区間：

プロットに使われた，遅れ1から12までのLjung–Boxの 値および臨界値：

モデル母数の値と有意性をレポートする：

表からの値の項：

母数共分散行列から母数の標準誤差を得る：

標準誤差は直接得ることもできる：

予測限界に使う信頼水準を設定する：

90%信頼水準を使う：

信頼水準はフィッティングの後で変えることができる：

ConfidenceLevelの設定は特徴検出の閾値に影響する：

モデルのために定数の推定が必要である：

定数を0に設定する：

デフォルトで，母数の次数は段階的検索を使って選ばれる：

代りにグリッド検索を使う：

ハイブリッド検索を行う：

最適なモデルを選ぶためにさまざまな基準を使う：

デフォルトで，"AIC"が使われる：

"BIC"を使う：

レポートのために保存するモデル候補の最大数を設定する：

最高で15のモデルを保存する：

フィットするすべてのモデルを保存する：

デフォルトで，最大10のモデルが保存される：

自己回帰および移動平均の可能な最大次数を設定する：

最大次数はフィットされるモデル数を制限する：

階段的メソッドは現行の最適モデルの"MaxStepSize"次数内のモデルをフィットする：

デフォルトで，ステップの最大次数は1に設定されている：

刻み幅を大きくすると質は高くなるが，検索時間が長くなることがある：

グリッド検索と比較する：

WorkingPrecisionを使ってより高精度の推定を得る：

居住地域の次の1ヶ月の平均気温を予測する：

居住地域の過去10年間の月平均気温：

時系列モデルをフィットする：

翌月の予測：

翌年の予測を95%の信頼帯でプロットする：

次のデータは，1949年1月から1960年12月までの，アメリカ合衆国における月ごとの国際線航空機の乗客総数（単位：千）を含んでいる：

データを1958年1月で分割する：

時系列モデルを1958年より前の航空機の乗客データにフィットする：

1959年6月の航空機の予測乗客数と実際の乗客数を比較する：

1958年から1961年までの予測を実際のデータと比較する：

7年間の航空機乗客数を計数し，予測と比較する：

時系列モデルをデータにフィットする：

7年間の予測と予測限界を作る：

予測のプロット：

7年先までの100の経路のシミュレーションを行う：

シミュレーションによる経路で95%予測限界を示す：

実際の素数と推定された素数の差に時系列モデルをフィットする：

モデルを差分にフィットする：

次の100個の差を95%予測限界で示す：

モデルを使って300番目の素数についての推定を改良する：

実際の素数時ついて比較されたもとの推定器と改良推定器：

アメリカ合衆国における月ごとの事故による死者数が6年間に渡って記録された：

ARProcessをデータにフィットする：

このモデルにはデータの季節性が入っていない：

診断プロットは12の季節性を持つモデルが必要であることを示唆している：

季節モデルは季節性のないモデルよりも一般に優れている：

90%予測限界で2ヶ月先までの経験的推定を得る：

漸近的推定と比較する：

1850年から1911年までに，カナダのHudson Bay Companyが毎年販売したミンクの毛皮の枚数：

モデルをデータにフィットさせる：

次の10年間のモデルの値のシミュレーションを行う：

シミュレーションによる値は負になるかもしれないが，平均値関数は正の予測を与える：

データとシミュレーションによる予測値とをプロットする：

アメリカ合衆国における小売店の月ごとの売上げ：

選択したものからTimeSeriesを作る：

12月のピーク時に格子線を引いて，販売高をプロットする：

季節モデルをフィットする：

過程母数：

次の7年間の予測を求める：

予測の95%信頼帯を計算する：

上層帯と下層帯がある：

95%信頼領域で予測をプロットする：

次の時系列は，アメリカ合衆国の特許医薬品所有者であるLydia Pinkhamの，半年ごとの売上げと広告費である．Pinkham氏は家庭薬としてVegetable Compoundの製造を開始し，近所の人に配った．彼女の作った化合物は，薬草の粉末で，アルコールが18%含まれていた．Pinkham一族は1875年に，この，神経衰弱から子宮脱まであらゆる女性症状を治すという薬品を市場に売り出すことを決めた．この薬品は急速に支持を得，間もなく売上げが年間30万ドル近くにまでなった．薬品と公告に関する国の規制が厳しくなった1920年代になって，Lydia E. Pinkham Medicine Coは薬品のアルコール分を減らし，謳う効用も控えめにした：

データのモデルを求める：

次の5年間の値を予測する：

このモデルは，Pinkham家庭薬の有効性に対する顧客の信頼が急速に失われることを示している：