对时间序列进行平稳性检验的时候，是平稳的（用的单位根方法~）
但是在看ACF和PACF的时候就不懂了。。。。这种情况下要选什么模型~还是数据需要处理？

AR(1)

根据acf和pacf的图像，可给你一个大概的参考。
下面是大概的判断标准，你读一读：
如果你想要知道整个证明过程，你可以看下面的ppt：
这个ppt应该能直接在网上下载到，但是具体是高铁梅还是谁的ppt我不记得了，你也可以直接访问这个地方，有提供这个ppt的下载（第五章，时间序列模型）：
https://www.postgraduate.top/viewtopic.php?f=3&t=24

不好意思，图片有点模糊，我复制一遍吧：
关于自相关，偏自相关的拖尾截尾来判断ARMA过程的证明在ppt上有写，大致的判断标准是自相关拖尾，偏自相关截尾，则存在纯AR过程；偏自相关拖尾，自相关截尾，则存在纯MA过程；两个都是拖尾，则存在AR和MA过程；两个都是截尾，则可能两个都不存在。其阶数由截尾的阶大致判断。
从你上面的结果可知，自相关拖尾，偏自相关1阶截尾，如果你本身序列就是平稳的那初步判定为AR（1）模型。具体是什么，你还要做完AR（1）以后，对残差再分析一遍。

回答被系统折叠了。。。明明写的很认真！再发不出去就不发了。。证明过程自行百度吧。。
根据acf和pacf的图像，可给你一个大概的参考。 下面是大概的判断标准，你读一读：
关于自相关，偏自相关的拖尾截尾来判断ARMA过程的证明在ppt上有写，大致的判断标准是自相关拖尾，偏自相关截尾，则存在纯AR过程；偏自相关拖尾，自相关截尾，则存在纯MA过程；两个都是拖尾，则存在AR和MA过程；两个都是截尾，则可能两个都不存在。其阶数由截尾的阶大致判断。
如果你想要知道整个证明过程，你可以看下面的ppt：
这个ppt应该能直接在网上下载到，但是具体是高铁梅还是谁的ppt我不记得了，你也可以直接访问这个地方，有提供这个ppt的下载（第五章，时间序列模型）： http://www.postgraduate.top/viewtopic.php?f=3&t=24
ppt71页：
通常的，AR(p) 模型的自相关系数是随着滞后阶数k的增加而呈现指数衰减或者震荡式的衰减，具体的衰减形式取决于AR(p)模型滞后项的系数。因此，可以通过自相关系数来获得一些有关AR(p)模型的信息，如低阶AR(p)模型系数符号的信息。如果r1¹0 ，意味着序列ut是一阶自相关。如果rk随着滞后阶数k 的增加而呈几何级数减小，表明序列ut服从低阶自回归过程。如果rk在小的滞后阶数下趋于零，表明序列ut服从低阶移动平均过程
72-73页：
74-75页：
其中一个重点证明结论在75页，
MA(q)的偏自相关系数的具体形式随着q 的增加变得越来越复杂，很难给出一个关于q 的一般表达式，但是，一个MA(q)模型对应于一个AR(∞) 模型。因此，MA(q) 模型的偏自相关系数一定呈现出某种衰减的形式是拖尾的。故可以通过识别一个序列的偏自相关系数的拖尾形式，大致确定它应该服从一个MA(q)过程。
76-77：
78-79：
重点结论2在79页：
且对于一个AR(p) 模型，jk,k的最高阶数为p，也即AR(p) 模型的偏自相关系数是p 阶截尾的。因此，可以通过识别AR(p)模型的偏自相关系数的个数，来确定AR(p)模型的阶数p，进而设定
正确的
模型形式，并通过具体的估计方法估计出AR(p)模型的参数。
80页ppt：
我们引入了自相关系数和偏自相关系数这两个统计量来识别ARMA(p,q) 模型的系数特点和模型的阶数。但是，在实际操作中，自相关系数和偏自相关系数是通过要识别序列的样本数据估计出来的，并且随着抽样的不同而不同，其估计值只能同理论上的大致趋势保持一致，并不能精确的相同。因此，在实际的模型识别中，自相关系数和偏自相关系数只能作为模型识别过程中的一个参考，并不能通过它们准确的识别模型的具体形式。
具体的模型形式，还要通过自相关和偏自相关系数给出的信息，经过反复的试验及检验，最终挑选出各项统计指标均符合要求的模型形式！