ARIMA模型
![本頁使用了標題或全文手工轉換](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)
此條目沒有列出任何參考或來源。 (2022年3月10日) |
![]() | 此條目需要精通或熟悉統計學的編者參與及協助編輯。 |
ARIMA模型(英語:Autoregressive Integrated Moving Average model),差分整合移動平均自我迴歸模型,又稱整合移動平均自我迴歸模型(移動也可稱作滑動),為時間序列預測分析方法之一。ARIMA(p,d,q)中,AR為自我迴歸,p為自我迴歸項數;MA為移動平均,q為滑動平均項數,d為使之成為平穩序列所做的差分次數(階數)。「差分」一詞雖未出現在ARIMA的英文名稱中,卻是使時間序列得以平穩關鍵的步驟。
ARIMA(p,d,q)模型是ARMA(p,q)模型的擴展。ARIMA(p,d,q)模型可以表示為:
其中L 是滯後算子(Lag operator),
模型特點
- 不直接考慮其他相關隨機變量的變化。
ARIMA模型運用的流程
- 根據時間序列的散點圖、自相關函數和偏自相關函數圖識別其平穩性。
- 對非平穩的時間序列數據進行平穩化處理。直到處理後的自相關函數和偏自相關函數的數值非顯著非零。
- 根據所識別出來的特徵建立相應的時間序列模型。平穩化處理後,若偏自相關函數是截尾的,而自相關函數是拖尾的,則建立AR模型;若偏自相關函數是拖尾的,而自相關函數是截尾的,則建立MA模型;若偏自相關函數和自相關函數均是拖尾的,則序列適合ARMA模型。
- 參數估計,檢驗是否具有統計意義。
- 假設檢定,判斷(診斷)殘差序列是否為白噪聲序列。
- 利用已通過檢驗的模型進行預測。
相關條目
![]() | 這是一篇與統計學相關的小作品。您可以透過編輯或修訂擴充其內容。 |