對於一個平穩、零均值的時間序列，，一定能對它擬合一個如下形式的隨機差分方程：
(6-3-31)
式中，是時間序列在t時刻的元素；稱為自回歸(Autoregressive)參數；稱為滑動平均(Moving Average)參數；序列稱為殘差序列，當這一方程正確地揭示了時序的結構與規律時，則應為白噪聲，即。顯然，上式左邊為一個階差分多項式，稱為階自回歸部分；右邊為一個階差分多項式，稱為階滑動平均部分。上式稱為階自回歸階滑動平均模型，記為ARMA(n，m)模型，也稱為ARMA時序或ARMA過程。
在式（6-3-31）中，當時，模型中沒有滑動平均部分，稱為階自回歸模型，記為AR(n)。其形式為：
(6-3-32)
在式（6-3-31）中，當時，模型中沒有自回歸部分，稱為階滑動平均模型，記為MA(m)。其形式為：
（6-3-33）
本文採用基於殘差方差最小原則的建模，它是基於如下認識：任一平穩序列總可以用一個模型來表示，而AR(n)，MA(m)以及都是模型的特例。其建模思想可概括為：逐漸增加模型的階數，擬合較高階模型，直到再增加模型的階數而剩余殘差方差不再顯著減小為止。
主要建模步驟如下：
（1）對時間序列進行零均值平穩化處理。變形時間序列一般可分為平穩時間序列和趨勢性序列。時間序列的趨勢又分為線性趨勢和非線性趨勢。若變形時間序列為非平穩序列，具有向下或向上的趨勢，建模之前需要進行序列平穩化處理，即零均值化、平穩化處理。平穩化處理的詳細方法在後面敘述。
（2）開始，逐漸增加模型階數，擬合ARMA (n,n-1)模型，即一階、一階增加模型階數，模型參數採用非線性最小二乘法估計，具體算法採用最速下降法。選擇殘差序列最小方差對應的模型作為初選模型。
（3）模型適應性檢驗。模型適應性檢驗的採用前面詳細闡述的相關函式法，這裡不再重複。
（4）求最優模型。系統意義上的最優模型不僅是一個適應模型，而且是一個經濟的模型。因此還需要檢驗模型是否包含小參數，若有，可用F檢驗判斷是否可以刪去，擬合較低階模型，進而得到系統意義上的最優模型。
（5）變形時間序列預測。變形時間序列建模的主要目的是對變形序列未來取值進行預測，預測詳細方法在後面敘述。
