时间序列分析预测——学习笔记（二）

这篇主要介绍ARIMA模型，关于其各参数意义和建模过程。
ARIMA(p,d,q)中包含三个参数，p表示自相关的项数，d表示差分的阶数，q表示移动平均项数

AR、MA、ARMA模型

AR模型：自回归模型。用之前各期值预测当前值，即用X1~Xt-1预测Xt。由于不存在y，所以是用自己预测自己，因此称为自相关。
MA模型：移动平均模型。即过去几期白噪音对当前值的影响。
ARMA模型：自回归移动平均模型。前两者的结合，适用于平稳时间序列（不需要差分转换），若需要差分转换，则应该使用ARIMA模型（差分自回归移动平均模型）

Phase1:时间序列的预处理

（1）Dicky-Fuller test
用于检测时间序列是否平稳
H0: the time series is not stationary.
如果分析结果Trend的P值小于0.05，则可以拒绝原假设，该时间序列是平稳的；否则该时间序列不平稳。
（2）ACF和PACF
用于确定模型是否要进行差分转换

如果ACF存在缓慢的减弱，则需要进行差分，即模型中I的部分
（3）模型的改善
根据（2）中选定的模型设置滞后差分（differencing lags）的滞后数，再进