R中的ARIMA函数是否区分xreg变量？

我正在处理一个销售数据集的一些时间序列变量，并且有一个关于R中的Arima函数如何处理Xreg变量的问题

例如，我使用ARIMA（1,1,0）模型预测未来12个月内的变量x1，并使用变量x2作为解释变量。在分析ACF和PACF图并在x1上进行实验后，我发现（1,1,0）是合适的。然后ARIMA函数将如下所示：

model <- Arima(x1, xreg = x2, order = (1,1,0), lambda = "auto", biasadj = T)

模型
所有变量都是差分的。看

lambda
参数是应用于
x1
的Box-Cox变换参数。自动选择并不特别可靠。尝试不指定
lambda
并查看残差是否为同调。如果没有，则使用不同的
lambda
值进行试验，看看是否有帮助

求X1和x2的残差，因为它是一个平稳序列。Y取决于X1和x2=1+1=2。Lambda是x2:y=X1+lamdax2的系数。假设该序列为白噪声序列，即；（neu，ε）：（平均值，零），Y=（neu+x3+x4+x10+Xt-1），其中cov（Xj，Xt+j）=x3+x10+Xt-1，如果Xj=1。残差自相关是ARMA过程的一部分。解释变量；作为差分的x2是neu-1=0，是AR（2）的一部分，Xj是MA（1）过程的一部分。MA（1）部分贡献或自动等于X1。
根据自相关和滞后估计，我们应该假设j=k参数，j=0和k=0。假设序列为白噪声，将考虑方差，其中x2将被引入为解释变量，lambda是x2的系数。lambda是用于估计自相关的y2的值。