所以我有一个时间序列，我无法与大家分享，但我有一些关于正确程序以适合我的数据的正确 ARIMA 模型的问题。
我已经成功编写了一个循环来确定需要进行何种程度的差分（I(d) 中的参数 d）
问题：
为了确定 p 和 q，我正在查看我的数据的 ACF 和 PACF 图。但是，我想知道是否应该对我的时间序列（趋势加随机误差，但没有可以稍后添加回来的季节性成分）或我的原始时间序列使用去季节化的转换。我使用 R 中的分解函数获得了季节性数据（stl() 明显更好吗？）。
使用原始时间系列，我的 acf 情节如下所示：
从 ACF 图来看，这里有一些明确的季节性因素。这是否意味着如果我需要使用这些数据，我需要在最终模型中识别非零季节性参数？在这种情况下如何选择季节性 P 和 Q？
使用去季节化的数据，这些图如下所示：
除了 ACF 图上滞后 6 处的峰值表明 p 可能为 6 之外，不知道如何解释季节性 PACF/ACF 图？
今年夏天刚刚学习了 ARIMA，希望了解该主题的任何人的帮助，如何根据我所展示的内容选择最佳参数。期待好的演讲：）