由11.3知ＣＰＩ序列為1階單整，於是可以對1階差分後的ＣＰＩ序列估計其ＡＲＭＡ（p,q）模型，即得原序列ＣＰＩ的ＡＲＩＭＡ（p,1,q）模型。
ＡＲＭＡ（p,q）的定階是通過看樣本的自相關函數跟偏自相關函數圖的，於是我們先要畫出1階差分後ＣＰＩ序列的樣本的自相關函數、偏自相關函數圖。點擊主界麵Quick→Series Statistics→Correlogram...，在彈出的Series對話框中輸入CPI，點擊OK，就會彈出Correlogram對話框，在其中Correlogram of欄中選擇1st(表示1階差分)，Lags欄中就默認為12階(表示輸出階數為12階),點擊OK，即可得到1階差分後ＣＰＩ序列的樣本的自相關函數、偏自相關函數圖，如圖1110所示。
圖1110
我們可以看到偏自相關函數圖中1階跟2階是有明顯的尖柱的，而自相關函數圖中1階是有明顯的尖柱的，不妨初步定階為p＝１，q＝２。即使用ＡＲＩＭＡ（２，１，１）對原序列進行識別。
點擊主界麵菜單Quick→Estimate Equation...，在彈出的對話框中輸入：D(CPI) C D(CPI(-1)) D(CPI(-2)) MA(1)，點擊確定，即可得到估計結果如圖1111所示。
得到估計後，還要對序列殘差進行1階LM檢驗，在圖1111中點擊View→Residual Tests→Serial Correlation LM Test...，在彈出的對話框中輸入1，點擊OK，即得到序列殘差的1階LM檢驗結果如圖1112所示。
圖1111
圖1112
根據圖1111得到模型的估計結果為：
ΔＣＰＩt＝３．９６３＋０．４６８ΔＣＰＩt-1－０．０１８ΔＣＰＩt-2＋εt+0.981εt-1
ＡＩＣ＝６．０１１１３２ＳＣ＝６．２０４６８５ＬＭ（１）＝０．３６１３６６
圖1113
但是發現，在5%的顯著性水平下，參數都沒有通過檢驗，特別是ΔＣＰＩt-2項的係數，不妨去掉ΔＣΡΙt-2項再對序列進行建模，即采用ＡＲＩＭＡ（１，１，１）對ＣＰＩ序列進行估計。