数据清洗_第一篇缺失值处理（4）_自回归滑动平均模型 ARMA

最新推荐文章于 2025-02-12 09:00:00 发布

SMT深海的鱼

最新推荐文章于 2025-02-12 09:00:00 发布

阅读量3.4k

点赞数

分类专栏：数据清洗

本文链接：https://blog.csdn.net/ab19920904/article/details/109983416

版权

3 篇文章

订阅专栏

时序的滞后阶数即向后追溯的观测值的数量。0阶滞后项(Lag 0)代表没有移位的时序，一阶滞后(Lag1)代表时序向左移动一位，二阶滞后(Lag2)代表时序向左移动两位，以此类推。时序可以通过lag(ts,k)函数变成k阶滞后，其中ts指代目标序列，k为滞后项阶数。

自回归滑动平均模型（Autoregressive moving average model，简称：ARMA模型）。是研究时间序列的重要方法，由自回归模型（AutoRegressive AR）与移动平均模型（Moving Averages MA）为基础“混合”构成。

2.1. p阶自回归模型

序列中的每一个值都可以用它之前p个值的线性组合来表示：

$AR(p):Y_{t}=\mu +\beta _{1}Y_{t-1}+\beta _{2}Y_{t-2}+\cdots +\beta _{p}Y_{t-p}+\varepsilon _{t}$ (1)

其中 $Y_{t}$ 是时序中的任一观测值， $\mu$ 是序列中均值， $\beta$ 是权重， $\varepsilon _{t}$ 是随机扰动。

2.2. q阶移动平均模型

时序中的每个值都可以用之前的个残差的线性组合来表示，即：

$MA(q):Y_{t}=\mu -\theta _{1}\varepsilon _{t-1}-\theta _{2}\varepsilon _{t-2}-\cdots -\theta _{q}\varepsilon _{t-q}+\varepsilon _{t}$ （2）

此时，序列中的每个观测值用过去的个观测值和个残差的线性组合来表示。

2.3 ARIMA(p,d,q)模型

ARIMA(p,d,q)模型意味着时序被差分了d次，且序列中的每个观测值都是用过去的p个观测值和q个残差的线性组合表示的。预测是“无误差的”或完整(integrated)的，来实现最终的预测。

数据清洗_第一篇 缺失值处理（4）_自回归滑动平均模型 ARMA