我是时间序列分析的新手。我ARIMA用来预测我的每月数据。很抱歉我不能在这里发布我的数据，例如，您可以转储数据以供使用。
我auto.arima()用来建立我的模型和forecast预测。这两个函数都是从forecast库中加载的。据我了解，在建立模型之前，我们必须从数据中去除趋势和季节性影响，对吧？所以，我的问题是：我们是否必须将它们添加回预测值？如果我们这样做，那怎么做？或者预测值已经计入趋势和季节？
你能给我看一个关于这个情节的例子吗？非常感谢你的帮助。
我在这篇文章中添加了一些情节。
这是我的数据的样子
然后，我分解它。从这张图中，我可以看到它具有季节性效应，没有趋势，剩余量很大。不好吗，剩下的？
然后，我使用函数去除季节性影响seasadj()，将调整后的数据放入 中auto.arima()，并进行预测。然后，这就是我得到的：
阅读您的答案后，我尝试将原始数据放入 中auto.arima()，并得到以下预测：
那么，一切都好吗？我做错什么了吗？而且我认为我应该采用第二个预测，这样我就不必重新考虑季节性影响？我对吗？
不，您不需要在拟合 ARIMA 模型之前移除趋势和/或季节性。
这些模型可以自己处理某些类型的趋势和某些类型的季节性，或者通过包含外部回归器（xreg参数，您可以包含更复杂的相关影响，如移动假期、非多项式趋势、趋势中断等） .
包括这些回归量在直观上类似于“首先去除趋势和季节性，然后是 ARIMA”（带 ARIMA 误差的回归模型），但在一个拟合步骤中就可以有效地完成。
是的，如果您在拟合 ARIMA 模型之前删除了趋势和季节性，则需要“重新添加”以获取原始序列的预测；也就是说，您需要对趋势和季节性进行预测，以添加回您对其余部分的预测。在某些情况下，季节性的“预测”是准确的（例如，移动假期的未来日期），这使得它更容易。
如果您通过某些未定义这些组件动态的过程（例如用于季节性调整的 X11 程序）删除了趋势或季节性，则没有规范的方法可以做到这一点；您需要估计一个新模型来预测这些组件。
编辑：这是一个经典系列（AirPassengers）的简单 R 示例，该系列具有趋势和季节性，可以通过标准（季节性）ARIMA 模型合理地捕捉到，无需额外的回归器：
library(forecast)
mod <- auto.arima(AirPassengers)
fc <- forecast(mod, h=12)
plot(fc)
