ARIMA模型（移動平均自回歸模型），其是最常見的時間序列預測分析方法。利用歷史數據可以預測前來的情況。ARIMA模型可拆分為3項，分別是AR模型，I即差分，和MA模型。SPSSAU智能地找出最佳的AR模型，I即差分值和MA模型，並且最終給出最佳模型預測結果，SPSSAU智能找出最佳模型的原理在於利用AIC值最小這壹規則，遍歷出各種可能的模型組合進行模型構建，並且結合AIC最小這壹規則，最終得到最佳模型。
當然，研究人員也可以自行設置AR模型，差分階數和MA模型，即分別設置自回歸階數p，差分階數d值和移動平均階數q，然後進行模型構建。至於自回歸階數p，差分階數d值和移動平均階數q值應該設置多少合適，建議研究人員分別使用偏(自)相關圖進行分析（SPSSAU也智能提供p值或q值建議），以及使用ADF檢驗分析得出合適的差分階數d值（SPSSAU也智能提供最佳差分階數d值建議）。
SPSSAU自動擬合出最佳的ARIMA模型，因此不設置3個參數（自回歸階數p，差分階數d值和移動平均階數q）。操作如下圖：
SPSSAU***輸出4個表格，第1個表格是擬合模型參數表格（即SPSSAU擬合出的最佳模型表格），如果研究人員自行設置了參數，則按照研究人員設置的模型進行構建。第2個表格是模型殘差Q統計量檢驗表格，第3個表格是模型預測值（***往後12期的模型預測值），第4個表格是模型殘差LM檢驗。
同時SPSSAU還輸出模型擬合、預測的折線圖，便於直觀展示擬合效果和預測情況。如果研究者需要原始的殘差或擬合值，可點擊‘開始分析’按鈕右側‘保存殘差和預測值’，系統會自動新生成2個標題用於標識殘差和預測值。
上表格展示本次模型構建結果，包括模型參數和信息準則。本次模型構建時，SPSSAU自動構建出模型為：ARMA(2,1)，其模型公式為：y(t)=69.536+1.984*y(t-1)-0.999*y(t-2)-0.720*ε(t-1)。如果研究人員希望自己進行模型構建並且進行優劣對比，可先記錄下每個模型的AIC或BIC值，然後結合AIC或BIC值越小越好的原則，選擇最優模型。
除此之外，SPSSAU還輸出Q統計量值，AIRMA模型構建後壹般要求模型殘差為白噪聲，即殘差不存在自相關性，可通過Q統計量檢驗進行白噪聲檢驗（原假設：殘差是白噪聲）；比如Q6用於檢驗殘差前6階自相關系數是否滿足白噪聲，通常其對應p?值大於0.1則說明滿足白噪聲檢驗（反之則說明不是白噪聲），常見情況下可直接針對Q6進行分析即可；從Q統計量結果看，Q6的p?值為1.000大於0.1，則在0.1的顯著性水平下不能拒絕原假設，模型的殘差是白噪聲，模型基本滿足要求。