1樓：自由自在
取決於你的目的是什麼，處於資料分析的哪個步驟：
1.【對原始資料進行白雜訊檢驗】
首先看原始資料時序圖，如果沒有明顯的長期趨勢特徵，則對原始資料進行平穩性檢驗，如果結果顯著，說明資料是平穩的。但是這個時候並不能確定資料是不是具有分析的價值，所以對原始資料進行白雜訊檢驗，如果結果顯著，說明不是白雜訊，則可以用ARMA，簡單指數平滑法等進行分析。
2.【對差分後的資料進行白雜訊檢驗】
通過原始資料的時序圖發現有明顯的季節效應和長期趨勢，或者根據平穩性檢驗發現資料不是平穩的，則需要對資料進行差分，通過差分以後的資料可能就平穩了，但是不確定它是不是具有分析價值，所以這個時候對差分以後的資料進行白雜訊檢驗，通過檢驗以後，再用ARMA等模型。
3.【對殘差序列進行白雜訊檢驗】
最後將資料特徵提取完畢以後，也要對殘差序列進行白雜訊檢驗，如果結果不顯著，說明是白雜訊序列，殘差中已經沒有可以利用的資訊了，從而結束資訊的提取。
我也是剛剛學時間序列，希望多多指正！
2樓：
當然是對原始資料檢驗。如果差分後的資料是白雜訊，說明原始序列是隨機遊走；如果原始序列是白雜訊，那麼差分後的資料會存在過差分的現象。
3樓：水煮魚
平穩序列才能檢驗是否是白雜訊。所以正確的步驟如下：
1 檢驗平穩性，如果是平穩序列檢驗是否是白雜訊；如果是不平穩序列則對原序列進行差分，差分後再檢驗平穩性。
2 如果平穩序列不是白雜訊，則考慮對平穩序列進行建模（只是對均值建模考慮ARMA模型，加上前面的差分步驟稱為ARIMA模型；如果考慮進一步對波動率建模，則對均值模型的殘差進行建模，考慮GARCH模型或者推廣的GARCH模型，如EGARCH等）
3 對序列建模後對模型殘差進行白雜訊檢驗，如果是白雜訊則基本說明模型合理，如果不是則回頭檢查模型設定是否合理。
時間序列資料如何插補缺失值？
Luciano 時間序列資料的插補，有很多不同的方法。1 就近插補 前推法LOCF，替換為缺失之前的最後一次觀測值，與後推法NOCB，使用缺失值後面的觀測值進行填補。這個是時序當中最基本的方法，當然還有用Baseline Observaton,或者啥Worst observation,目前生科實驗好...
（超）高頻交易資料的時間序列如何建模？
非等距時間發生的事件就是半馬爾可夫 semi markov 過程建模,查這關鍵字就有各種模型了 還有另外乙個,但實在是太好用了所以不想講 陳靚 目前我們對高頻資料的理解大致侷限於借用統計物理中的一些概念，除此之外都是自由發揮 所以，時間是否對齊並無意義 這點馬上會有人不同意，lead lag呢？物理...
有什麼好的關於時間序列分析的學習資料？
連玉君 Becketti,S.Introduction to time series using stata M Stata Press,2013.模型基本思想 Stata 實操，能快速上手。Hamilton,J.Time series analysis M Princeton Princeton ...