ARIMA模型
![本页使用了标题或全文手工转换](http://images.weserv.nl/?url=//upload.wikimedia.org/wikipedia/commons/thumb/c/cd/Zh_conversion_icon_m.svg/35px-Zh_conversion_icon_m.svg.png)
此条目没有列出任何参考或来源。 (2022年3月10日) |
![]() | 此条目需要精通或熟悉统计学的编者参与及协助编辑。 |
ARIMA模型(英语:Autoregressive Integrated Moving Average model),差分整合移动平均自我回归模型,又称整合移动平均自我回归模型(移动也可称作滑动),为时间序列预测分析方法之一。ARIMA(p,d,q)中,AR为自我回归,p为自回归项数;MA为移动平均,q为滑动平均项数,d为使之成为平稳序列所做的差分次数(阶数)。“差分”一词虽未出现在ARIMA的英文名称中,却是使时间序列得以平稳关键的步骤。
ARIMA(p,d,q)模型是ARMA(p,q)模型的扩展。ARIMA(p,d,q)模型可以表示为:
其中L 是滞后算子(Lag operator),
模型特点
- 不直接考虑其他相关随机变量的变化。
ARIMA模型运用的流程
- 根据时间序列的散点图、自相关函数和偏自相关函数图识别其平稳性。
- 对非平稳的时间序列数据进行平稳化处理。直到处理后的自相关函数和偏自相关函数的数值非显著非零。
- 根据所识别出来的特征建立相应的时间序列模型。平稳化处理后,若偏自相关函数是截尾的,而自相关函数是拖尾的,则建立AR模型;若偏自相关函数是拖尾的,而自相关函数是截尾的,则建立MA模型;若偏自相关函数和自相关函数均是拖尾的,则序列适合ARMA模型。
- 参数估计,检验是否具有统计意义。
- 假设检验,判断(诊断)残差序列是否为白噪声序列。
- 利用已通过检验的模型进行预测。
相关条目
![]() | 这是一篇与统计学相关的小作品。您可以通过编辑或修订扩充其内容。 |