statsmodels中arima模型的`const`参数并非传统线性回归中的截距，而是对序列均值的估计；其预测公式需以“中心化形式”展开，即用当前系数对**去均值化的历史观测值**加权求和后，再加回均值，才能得到正确的一步预测值。
在使用 statsmodels.tsa.arima.model.ARIMA 拟合带常数项（trend='c'）的 AR(p) 模型时，一个常见误区是将输出结果中的 const 系数直接代入形如
$$\hat{X}_t = \phi1 X{t-1} + \phi2 X{t-2} + c$$
的经典自回归公式进行预测。这是不正确的——statsmodels 实现的 ARIMA（特别是 trend='c'）采用的是条件均值建模（mean form），其底层假设是：序列围绕一个稳定均值波动，AR 项刻画的是偏离该均值的动态调整过程。
因此，模型实际拟合的是如下等价形式：
$$ X_t - \mu = \phi1 (X{t-1} - \mu) + \phi2 (X{t-2} - \mu) + \varepsilon_t $$
其中 $\mu$ 即为 summary() 中报告的 const（此处为 14.0695），它本质上是平稳序列的无条件均值估计值，而非独立偏置项。
将上式整理后可得显式预测公式：
$$ \hat{X}_t = \mu + \phi1 (X{t-1} - \mu) + \phi2 (X{t-2} - \mu) $$
代入你的数据验证：
- $X_0 = 19.75569153$, $X_1 = 18.71735656$
- $\mu = 14.06954533$, $\phi_1 = 0.88128907$, $\phi_2 = 0.11529613$
计算 $\hat{X}_2$：
mu = 14.06954533
phi1 = 0.88128907
phi2 = 0.11529613
x0 = 19.75569153
x1 = 18.71735656
x2_hat = mu + phi1 * (x1 - mu) + phi2 * (x0 - mu)
print(f"{x2_hat:.8f}") # 输出：18.82120122结果为 18.82120122，与 arimaModelFit.predict()[2] 完全一致，证实了该解释的正确性。
⚠️ 关键注意事项：
- 若你希望获得“纯 AR 形式”的参数（即 $\hat{X}_t = c' + \phi1 X{t-1} + \phi2 X{t-2}$ 中的 $c'$），可通过代数推导得出：
$$ c' = \mu (1 - \phi_1 - \phi_2) $$
本例中：14.0695 * (1 - 0.8813 - 0.1153) ≈ 0.477，远小于 14.0695，也解释了为何直接套用“大截距”会导致严重高估。 - trend='c' 是 statsmodels 5.0+ 推荐写法（替代已弃用的 trend='c' 在旧版 ARIMA 或 SARIMAX 中的等效设置），确保模型明确包含均值项。
- 此均值解释仅适用于平稳 AR 过程（即单位根检验通过，如你结果中 ADF 统计量 -2.89 < -2.86 的 5% 临界值），否则 const 含义会随差分阶数变化（如 d=1 时 const 表示线性趋势斜率）。
总之，理解 const 的统计本质（均值估计）而非字面意义（偏置常数），是正确解读、复现和部署 statsmodels ARIMA 预测结果的关键前提。
