R:ARIMA模型与残差之间的自相关

在文章中： 利用谷歌趋势评估全球COPD意识

我发现了以下统计分析的描述：

为了进行统计分析，我们将数据细分为月份（季节性成分）和季度，其定义如下：第一季度（第一季度）=1月至3月，第二季度（第二季度）=4月至6月，第三季度（第三季度）=7月至9月，第四季度（第四季度）=10月至12月。 利用黄土对时间序列的季节分解（局部多项式回归拟合）进行相关分析，将时间序列分解为季节部分、趋势和不规则成分建立了考虑残差之间自相关的广义最小二乘模型，以进一步评估在季节性成分调整后趋势是否随时间显著。残差的相关结构是通过使用AIC准则自动选择ARIMA模型参数推导出来的

数据表示为系数（β）、标准误差和p值

我完全不明白加粗的部分。我准备了一些代码，用于从时间序列数据准备ARIMA模型。但是，我不知道自相关的计算过程

让我们看一些代码：

library(forecast)
data(AirPassengers)
model_arima<- auto.arima(y=AirPassengers,seasonal=TRUE,stepwise=TRUE)
model_arima
Series: AirPassengers 
ARIMA(2,1,1)(0,1,0)[12] 

Coefficients:
         ar1     ar2      ma1
      0.5960  0.2143  -0.9819
s.e.  0.0888  0.0880   0.0292

sigma^2 estimated as 132.3:  log likelihood=-504.92
AIC=1017.85   AICc=1018.17   BIC=1029.35

库（预测）
数据（航空乘客）
模型ARIMA对序列进行分解后，作者对残差进行ARIMA。显然，在您的代码中，
auto.arima
通过最小AIC自动选择最佳拟合，这是问题中引用的粗体文本部分描述的方法。您能否提供一个关于残差和结果的带有arima的代码示例？从
d开始，我运行以下代码：
库（预测）数据（航空乘客）这是你必须了解自己的东西，关于代码的问题也是如此，而不是统计分析。在分解系列后，作者对残差运行ARIMA。显然，在你的代码中，
auto。ARIMA
通过最小AIC自动选择最佳拟合，这是在问题。你能提供一个关于残差和结果的ARIMA代码示例吗？从
d开始，我运行以下代码：
library（forecast）data（AirPassengers）d这是你必须了解自己的东西，关于代码的问题也是如此，而不是统计分析。