2018年第几周函数？
第49周。 具体参考链接： 第49周：时间序列，AR模型与预测 内容提要：本节主要介绍了时间序列分析的基本概念、ARMA模型及其估计方法；并给出了如何利用R软件进行ARIMA模型的估计和预测。 AR模型是经典的时间序列模型之一，其核心思想是将随机误差项视为一随机过程，以此为基础建立包含一个或多个随机变量的动态回归模型来描述观测到的数据。
在现实世界中，很多时间序列都可以表示为AR的过程，因此AR模型有着极为广泛的应用。 本节的例子来源于R语言提供的MASS包中所带的“Airline”数据，该数据集反映了美国航空公司1963年至1975年间每周的机票收入（单位：百万美元），共896个观察值。
根据AR模型的理论，先对数据进行平稳性检验和自相关性检验，可以发现该数据经过一阶差分后满足平稳性和自相关性的要求，因此可以进一步建立AR模型并进行预测。
在R中输入以下代码就可以实现AR模型的估计： ar<-arima(x=airpassenger， order=c(1，0，1)， seasonal=list(order=c(1，0，1))) 其中，airpassenger代表原始的数据集合，order等于1表明是一次序差分，seasonal项用于设定季节趋势，这里设为了固定值1。最后敲击回车就可得到AR模型的所有参数估计值。