时间序列分析实战（七）：多个变量的ARIMA模型拟合

于 2024-02-28 07:15:00 发布
阅读量1.3k 收藏 24
点赞数 31
分类专栏： R语言编程 文章标签： 算法 r语言 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jd1813346972/article/details/136329112
版权

🍉CSDN小墨&晓末:https://blog.csdn.net/jd1813346972

   个人介绍: 研一｜统计学｜干货分享
         擅长Python、Matlab、R等主流编程软件
         累计十余项国家级比赛奖项，参与研究经费10w、40w级横向

文章目录

1 目的

  为研究国民生产总值与货币供应量及利率的关系。现收集到1954年1月至1987年10月M1货币量对数序列 l o g ( M 1 ) log(M1) log(M1)，美国月度国民生产总值对数序列 l o g ( G N P ) log(GNP) log(GNP)，以及短期利率和长期利率序列，部分数据见表1。该篇文章主要对四个序列分别研究其单整性及按照实际情况拟合 A R I M A ARIMA ARIMA模型，后续将研究研究这些变量的格兰杰因果关系及协整关系。

表1 部分数据展示

2 原序列可视化

  运行程序：

rm(list=ls()) #清空变量
library("openxlsx") #加载包
library("knitr") #加载包
library("xlsx") #加载包
library("tseries") 
#加载包
data<-read.xlsx("F:\\时间序列分析\\数据.xlsx",'Sheet1',
                encoding ="UTF-8")#读取数据
M1<-ts(data$log.M1.,start = c(1954,1),frequency = 4)     #log（M1）
GNP<-ts(data$log.GNP.,start = c(1954,1),frequency = 4)   #log（GNP）
SF<-ts(data$短期利率,start = c(1954,1),frequency = 4)    #短期利率
LF<-ts(data$长期利率,start =c(1954,1),frequency = 4)     #长期利率
par(mfrow=c(2,2))                                        #创建2×2画布
plot(M1,sub='图1 log（M1）时序图',ylab="log（M1）")
plot(GNP,sub='图2 log（GNP）时序图',ylab="log（GNP）")
plot(SF,sub='图3 短期利率时序图')
plot(LF,sub='图4 长期利率时序图')

  运行结果：

通过各变量的时序图(图1-图4）可以发现，各时序数据具有明显趋势效应。

3 各序列单整性检验

3.1 log（M1）单整性检验

1.平稳性检验

  运行程序：

library(aTSA)
adf.test(M1)             #log（M1）序列平稳性检验

  运行结果：

## Augmented Dickey-Fuller Test 
## alternative: stationary 
##  
## Type 1: no drift no trend 
##      lag   ADF p.value
## [1,]   0 2.290   0.990
## [2,]   1 1.062   0.921
## [3,]   2 0.899   0.900
## [4,]   3 0.738   0.854
## [5,]   4 0.742   0.855
## Type 2: with drift no trend 
##      lag    ADF p.value
## [1,]   0  1.084   0.990
## [2,]   1 -0.658   0.816
## [3,]   2 -0.971   0.707
## [4,]   3 -1.395   0.558
## [5,]   4 -1.425   0.547
## Type 3: with drift and trend 
##      lag    ADF p.value
## [1,]   0  0.324   0.990
## [2,]   1 -1.291   0.871
## [3,]   2 -1.610   0.737
## [4,]   3 -2.057   0.548
## [5,]   4 -2.082   0.538
## ---- 
## Note: in fact, p.value = 0.01 means p.value <= 0.01

2.一阶差分后平稳性检验

  运行程序：

adf.test(diff(M1))       #一阶差分log（M1）序列平稳性检验

  运行结果：

## Augmented Dickey-Fuller Test 
## alternative: stationary 
##  
## Type 1: no drift no trend 
##      lag   ADF p.value
## [1,]   0 -5.96    0.01
## [2,]   1 -4.76    0.01
## [3,]   2 -3.88    0.01
## [4,]   3 -3.65    0.01
## [5,]   4 -3.44    0.01
## Type 2: with drift no trend 
##      lag   ADF p.value
## [1,]   0 -6.05    0.01
## [2,]   1 -4.84    0.01
## [3,]   2 -3.94    0.01
## [4,]   3 -3.72    0.01
## [5,]   4 -3.52    0.01
## Type 3: with drift and trend 
##      lag   ADF p.value
## [1,]   0 -6.14  0.0100
## [2,]   1 -4.94  0.0100
## [3,]   2 -4.05  0.0100
## [4,]   3 -3.84  0.0192
## [5,]   4 -3.63  0.0328
## ---- 
## Note: in fact, p.value = 0.01 means p.value <= 0.01

3. log（GNP）单整性检验

1.平稳性检验

  运行程序：

adf.test(GNP)            #log（GNP）序列平稳性检验

  运行结果：

## Augmented Dickey-Fuller Test 
## alternative: stationary 
##  
## Type 1: no drift no trend 
##      lag  ADF p.value
## [1,]   0 8.62    0.99
## [2,]   1 5.13    0.99
## [3,]   2 4.11    0.99
## [4,]   3 4.21    0.99
## [5,]   4 4.05    0.99
## Type 2: with drift no trend 
##      lag    ADF p.value
## [1,]   0 -0.695   0.803
## [2,]   1 -0.793   0.769
## [3,]   2 -0.656   0.817
## [4,]   3 -0.564   0.849
## [5,]   4 -0.423   0.899
## Type 3: with drift and trend 
##      lag   ADF p.value
## [1,]   0 -1.53   0.772
## [2,]   1 -2.16   0.503
## [3,]   2 -2.40   0.405
## [4,]   3 -2.15   0.511
## [5,]   4 -2.05   0.552
## ---- 
## Note: in fact, p.value = 0.01 means p.value <= 0.01

2.一阶差分后平稳性检验

  运行程序：

adf.test(diff(GNP))      #一阶差分log（GNP）序列平稳性检验

  运行结果：

## Augmented Dickey-Fuller Test 
## alternative: stationary 
##  
## Type 1: no drift no trend 
##      lag   ADF p.value
## [1,]   0 -6.13    0.01
## [2,]   1 -4.12    0.01
## [3,]   2 -3.82    0.01
## [4,]   3 -3.36    0.01
## [5,]   4 -3.00    0.01
## Type 2: with drift no trend 
##      lag   ADF p.value
## [1,]   0 -8.47    0.01
## [2,]   1 -6.03    0.01
## [3,]   2 -5.88    0.01
## [4,]   3 -5.41    0.01
## [5,]   4 -5.17    0.01
## Type 3: with drift and trend 
##      lag   ADF p.value
## [1,]   0 -8.46    0.01
## [2,]   1 -6.02    0.01
## [3,]   2 -5.86    0.01
## [4,]   3 -5.38    0.01
## [5,]   4 -5.14    0.01
## ---- 
## Note: in fact, p.value = 0.01 means p.value <= 0.01

3.3 短期利率序列单整性检验

1.平稳性检验

  运行程序：

adf.test(SF)             #短期利率序列平稳性检验

  运行结果：

## Augmented Dickey-Fuller Test 
## alternative: stationary 
##  
## Type 1: no drift no trend 
##      lag    ADF p.value
## [1,]   0 -0.512   0.496
## [2,]   1 -0.687   0.433
## [3,]   2 -0.373   0.536
## [4,]   3 -0.579   0.471
## [5,]   4 -0.528   0.490
## Type 2: with drift no trend 
##      lag   ADF p.value
## [1,]   0 -1.96   0.346
## [2,]   1 -2.27   0.225
## [3,]   2 -1.86   0.384
## [4,]   3 -2.13   0.278
## [5,]   4 -2.03   0.316
## Type 3: with drift and trend 
##      lag   ADF p.value
## [1,]   0 -2.24   0.474
## [2,]   1 -2.85   0.220
## [3,]   2 -1.91   0.610
## [4,]   3 -2.66   0.298
## [5,]   4 -2.55   0.343
## ---- 
## Note: in fact, p.value = 0.01 means p.value <= 0.01

2.一阶差分后平稳性检验

  运行程序：

adf.test(diff(SF))       #一阶差分短期利率序列平稳性检验

  运行结果：

## Augmented Dickey-Fuller Test 
## alternative: stationary 
##  
## Type 1: no drift no trend 
##      lag    ADF p.value
## [1,]   0  -9.79    0.01
## [2,]   1 -10.03    0.01
## [3,]   2  -6.07    0.01
## [4,]   3  -5.61    0.01
## [5,]   4  -4.15    0.01
## Type 2: with drift no trend 
##      lag    ADF p.value
## [1,]   0  -9.77    0.01
## [2,]   1 -10.02    0.01
## [3,]   2  -6.07    0.01
## [4,]   3  -5.61    0.01
## [5,]   4  -4.15    0.01
## Type 3: with drift and trend 
##      lag    ADF p.value
## [1,]   0  -9.78    0.01
## [2,]   1 -10.06    0.01
## [3,]   2  -6.10    0.01
## [4,]   3  -5.64    0.01
## [5,]   4  -4.18    0.01
## ---- 
## Note: in fact, p.value = 0.01 means p.value <= 0.01

3.4 长期利率序列单整性检验

1.平稳性检验

  运行程序：

adf.test(LF)             #长期利率序列平稳性检验

  运行结果：

## Augmented Dickey-Fuller Test 
## alternative: stationary 
##  
## Type 1: no drift no trend 
##      lag   ADF p.value
## [1,]   0 0.783   0.867
## [2,]   1 0.451   0.772
## [3,]   2 0.454   0.773
## [4,]   3 0.297   0.728
## [5,]   4 0.324   0.736
## Type 2: with drift no trend 
##      lag   ADF p.value
## [1,]   0 -1.08   0.667
## [2,]   1 -1.29   0.594
## [3,]   2 -1.30   0.591
## [4,]   3 -1.40   0.557
## [5,]   4 -1.32   0.584
## Type 3: with drift and trend 
##      lag   ADF p.value
## [1,]   0 -1.72   0.691
## [2,]   1 -2.32   0.438
## [3,]   2 -2.34   0.431
## [4,]   3 -3.01   0.156
## [5,]   4 -3.00   0.161
## ---- 
## Note: in fact, p.value = 0.01 means p.value <= 0.01

2.一阶差分后平稳性检验

  运行程序：

adf.test(diff(LF))       #长阶差分短期利率序列平稳性检验

  运行结果：

## Augmented Dickey-Fuller Test 
## alternative: stationary 
##  
## Type 1: no drift no trend 
##      lag   ADF p.value
## [1,]   0 -8.98    0.01
## [2,]   1 -7.02    0.01
## [3,]   2 -4.96    0.01
## [4,]   3 -4.68    0.01
## [5,]   4 -5.10    0.01
## Type 2: with drift no trend 
##      lag   ADF p.value
## [1,]   0 -9.05    0.01
## [2,]   1 -7.11    0.01
## [3,]   2 -5.05    0.01
## [4,]   3 -4.77    0.01
## [5,]   4 -5.22    0.01
## Type 3: with drift and trend 
##      lag   ADF p.value
## [1,]   0 -9.02    0.01
## [2,]   1 -7.09    0.01
## [3,]   2 -5.03    0.01
## [4,]   3 -4.74    0.01
## [5,]   4 -5.20    0.01
## ---- 
## Note: in fact, p.value = 0.01 means p.value <= 0.01

  根据各变量的单位根检验，发现，这四个变量原始时序数据都存在单位根，一阶差分后平稳，表明这四个序列均为一阶单整序列。

4 各序列ARIMA模型拟合

4.1 log（M1）的ARIMA模型拟合

4.1.1 模型定阶

  运行程序：

par(mfrow=c(1,2))                                         #创建1×2画布
M1<-na.omit(M1)                                           #去除空值
acf(diff(M1),sub="图5 log（M）自相关图")                                             #自相关图
pacf(diff(M1),sub="图6 log（M）偏自相关图")                           #偏自相关图

  运行结果：

  结合log（M）序列的ACF、Pacf特征,对其建立ARIMA（1，1，0）模型。

4.1.2 模型拟合

  运行程序：

fit1<-arima(M1,order = c(1,1,0))                          #拟合ARIMA（1，1，0）模型
fit1

  运行结果：

## 
## Call:
## arima(x = M1, order = c(1, 1, 0))
## 
## Coefficients:
##          ar1
##       0.5811
## s.e.  0.0699
## 
## sigma^2 estimated as 0.0001071:  log likelihood = 422.15,  aic = -840.29

4.1.3 残差检验

  运行程序：

ts.diag(fit1)                                             #残差检验

  运行结果：

  根据结果显示，拟合效果较好。且残差序列为白噪声序列。该ARIMA模型为：

∇ l n ( M t ) = 1 1 − 0.5811 B ϵ t \nabla ln(M_t)=\frac{1}{1-0.5811B} \epsilon_t ∇ln(Mt​)=1−0.5811B1​ϵt​

4.2 log（GNP）的ARIMA模型拟合

4.2.1 模型定阶

  运行程序：

par(mfrow=c(1,2))                                          #创建1×2画布
acf(diff(GNP),sub="图8 log（GNP）自相关图")                                             #自相关图
pacf(diff(GNP),sub="图9 log（GNP）偏自相关图")                            #偏自相关图

  运行结果：

  结合log（M）序列的ACF、Pacf特征,对其建立ARIMA（1，1，2）模型。

4.2.2 模型拟合

  运行程序：

fit2<-arima(GNP,order = c(1,1,2))                          #拟合ARIMA（1，1，2）模型
fit2

  运行结果：

## 
## Call:
## arima(x = GNP, order = c(1, 1, 2))
## 
## Coefficients:
##          ar1      ma1      ma2
##       0.9999  -0.7650  -0.2249
## s.e.  0.0004   0.0722   0.0706
## 
## sigma^2 estimated as 9.719e-05:  log likelihood = 430.54,  aic = -853.09

4.2.3 残差检验

  运行程序：

ts.diag(fit2)                                              #残差检验

  运行结果：

  根据结果显示，拟合效果较好。且残差序列为白噪声序列。该ARIMA模型为：

∇ l n ( G N P t ) = 1 − 0.765 B − 0.2249 B 2 1 − 0.9999 B ϵ t \nabla ln(GNP_t)=\frac{1-0.765B-0.2249B^2}{1-0.9999B} \epsilon_t ∇ln(GNPt​)=1−0.9999B1−0.765B−0.2249B2​ϵt​

4.3 短期利率序列的ARIMA模型拟合

4.3.1 模型定阶

  运行程序：

par(mfrow=c(1,2))                                         #创建1×2画布
acf(diff(SF),sub="图11 短期利率自相关图")                                             #自相关图
pacf(diff(SF),sub="图12 短期利率偏自相关图        #偏自相关图

  运行结果：

  结合log（M）序列的ACF、Pacf特征,对其建立ARIMA（7，1，0）模型。

4.4.2 模型拟合

  运行程序：

fit3<-arima(SF,order = c(7,1,0))                          #拟合ARIMA（7，1，0）模型
fit3

  运行结果：

## 
## Call:
## arima(x = SF, order = c(7, 1, 0))
## 
## Coefficients:
##          ar1      ar2     ar3      ar4     ar5      ar6      ar7
##       0.2788  -0.3515  0.2863  -0.0879  0.1233  -0.0918  -0.2366
## s.e.  0.0832   0.0860  0.0903   0.0930  0.0896   0.0847   0.0819
## 
## sigma^2 estimated as 5.599e-05:  log likelihood = 468.76,  aic = -921.53

4.4.4 疏系数模型拟合

运行程序：

fit31<-arima(SF,order = c(7,1,0),transform.pars=F,fixed=c(NA,NA,NA,0,0,0,NA))                #拟合ARIMA（7，1，0）疏系数模型
fit31

  运行结果：

## 
## Call:
## arima(x = SF, order = c(7, 1, 0), transform.pars = F, fixed = c(NA, NA, NA, 
##     0, 0, 0, NA))
## 
## Coefficients:
##          ar1      ar2     ar3  ar4  ar5  ar6      ar7
##       0.2477  -0.3080  0.2223    0    0    0  -0.2907
## s.e.  0.0796   0.0776  0.0792    0    0    0   0.0742
## 
## sigma^2 estimated as 5.699e-05:  log likelihood = 467.61,  aic = -925.22

4.3.4 残差检验

  运行程序：

ts.diag(fit31)                                            #残差检验

  运行结果：

  根据结果显示，拟合效果较好。且残差序列为白噪声序列。该ARIMA模型为：

∇ S F t = 1 1 − 0.2477 B + 0.3080 B 2 − 0.2223 B 3 + 0.2907 B 7 ϵ t \nabla SF_t=\frac{1}{1-0.2477B+0.3080B^2-0.2223B^3+0.2907B^7} \epsilon_t ∇SFt​=1−0.2477B+0.3080B2−0.2223B3+0.2907B71​ϵt​

4.4 长期利率序列的ARIMA模型拟合

4.4.1 模型定阶

  运行程序：

library(forecast)
par(mfrow=c(1,2))                                          #创建1×2画布
acf(diff(LF),sub="图14 长期利率自相关图")                                             #自相关图
pacf(diff(LF),sub="图15 长期利率自相关图")                  #偏自相关图

  运行结果：

  结合log（M）序列的ACF、Pacf特征,对其建立ARIMA（14，1，0）模型。

4.4.2 模型拟合

  运行程序：

fit4<-arima(LF,order=c(14,1,0))                             #拟合ARIMA（14，1，0）模型
fit4

  运行结果：

## 
## Call:
## arima(x = LF, order = c(14, 1, 0))
## 
## Coefficients:
##          ar1      ar2     ar3      ar4      ar5      ar6      ar7     ar8
##       0.2619  -0.0558  0.1885  -0.0039  -0.1647  -0.0194  -0.0940  0.0245
## s.e.  0.0815   0.0836  0.0843   0.0853   0.0848   0.0852   0.0846  0.0871
##          ar9    ar10     ar11    ar12     ar13    ar14
##       0.0934  0.0383  -0.1036  0.1030  -0.1081  0.2992
## s.e.  0.0871  0.0859   0.0859  0.0849   0.0873  0.0854
## 
## sigma^2 estimated as 1.392e-05:  log likelihood = 562.28,  aic = -1094.56

4.4.3 疏系数模型拟合

  运行程序：

fit41<-arima(LF,order = c(14,1,0),transform.pars=F,fixed=c(NA,0,0,0,NA,0,0,0,0,0,0,0,0,NA))                                                                                             #拟合ARIMA（14，1，0）疏系数模型
fit41

  运行结果：

## 
## Call:
## arima(x = LF, order = c(14, 1, 0), transform.pars = F, fixed = c(NA, 0, 0, 0, 
##     NA, 0, 0, 0, 0, 0, 0, 0, 0, NA))
## 
## Coefficients:
##          ar1  ar2  ar3  ar4      ar5  ar6  ar7  ar8  ar9  ar10  ar11  ar12
##       0.2392    0    0    0  -0.1675    0    0    0    0     0     0     0
## s.e.  0.0785    0    0    0   0.0794    0    0    0    0     0     0     0
##       ar13    ar14
##          0  0.2566
## s.e.     0  0.0835
## 
## sigma^2 estimated as 1.516e-05:  log likelihood = 556.84,  aic = -1105.69

4.4.4 残差检验

  运行程序：

ts.diag(fit41)                                              #残差检验

  运行结果：

  根据结果显示，拟合效果较好。且残差序列为白噪声序列。该ARIMA模型为：

∇ L F t = 1 1 − 0.2392 B + 0.1672 B 5 − 0.2566 B 14 ϵ t \nabla LF_t=\frac{1}{1-0.2392B+0.1672B^5-0.2566B^{14}} \epsilon_t ∇LFt​=1−0.2392B+0.1672B5−0.2566B141​ϵt​

小墨&晓末
关注
  • 31
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
时间序列预测：使用Python创建季节性ARIMA模型
02-24
分解数据：时间序列稳定化测试方法：测试序列稳定性：看以看到整体的序列并没有到达稳定性要求，要将时间序列转为平稳序列，有如下几种方法：DeflationbyCPILogarithmic（取对数）FirstDifference（一阶差分）SeasonalDifference（季节差分）SeasonalAdjustment这里会尝试取对数、一阶查分、季节差分三种方法，先进行一阶差分，去除增长趋势后检测稳定性：可以看到图形上看上去变稳定了，但p-value的并没有小于0.05。再来看看12阶查分（即季节查分），看看是否稳定：从图形上，比一阶差分更不稳定（虽然季节指标已经出来了），我们再来将一阶查分和季
R语言、时间序列分析预测、季节性ARIMA模型
01-03
概要：用季节性ARIMA模型分析和预测我国的进出口总额，有代码和数据及自己写的论文（包含摘要目录等） 论文摘要：进出口总额是反映我国对外贸易的重要指标之一,为探索我国的进出口金额变化情况,选取我国1994-2021年进出口总额的月度历史数据为研究样本,采用时间序列检验方法对其进行了相关分析,建立相应的季节性ARIMA模型，运用所建模型对2023年进出口总额进行预测。研究结果表明:我国月度进出口贸易总额时间序列预测模型表现出明显季度性变化特征,通过模型精度对比,季节性ARIMA模型预测精度较高，结合预测结果可用于有关外贸等方面政策的制定，推动我国经济的进一步发展。
ARIMA模型，在时间序列中，加入其他解释变量
小蜗牛的博客
06-02 9510
##The case study of linear time series analysis#汽油和原油的回归加入到时间序列中，探究汽油的时间序列和对汽油价格增长率的预测。```{r}da&lt;-read.table("w-petroprice.txt",header = T)da1&lt;-read.table("w-gasoline.txt")pgs&lt;-log(da1[,1])pus...
用Arima模型实现多个数的预测
03-22
通过JAVA语言实现Arima模型连续预测
MATLAB ARIMA 模型 做时间序列分析预测 matlab源码
03-01
【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：MATLAB ARIMA 模型 做时间序列分析预测 matlab源码 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员
基于spss的多变量时间序列的ARIMA模型
ApplePay1的博客
06-12 1万+
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。 2、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。 3、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。 4、参数估计，检验是否具有统计意义。 5、假设检验，判断（诊断）残差序列是否为白噪声序列。 6、利用
ARIMA模型之疏系数模型
PY洋洋
04-07 7201
1.疏系数模型的定义 2.拟合ARIMA疏系数模型函数 例题： 小结
时间序列预测 — ARIMA模型原理
qq_41921826的博客
11-15 2235
ARIMA模型是最经典的统计学时序模型，也是最经典的、适用于单变量时间序列数据的模型。在实际面对的数据基本上是多变量时序数据、需要预测的问题也不仅仅与时间相关，但ARIMA模型能很好的帮助我们理解时间序列预测。ARIMAAutoregressiveIntegratedMovingA差分自回归移动平均模型结合了AR模型（自回归模型）和MA模型（移动平均模型）的基本思想：一个时间点上的标签值既受过去一段时间内的标签值影响，也受过去一段时间内的偶然事件（可以理解为噪音）的影响。
时间序列-预测-经典算法：Arimax【带额外输入的自回归综合移动平均】【多元变量预测】【ARIMA模型的一个扩展版本】
u013250861的博客
02-28 2576
标准的ARIMA（移动平均自回归模型）模型允许只根据预测变量的过去值进行预测。该模型假定一个变量的未来的值线性地取决于其过去的值，以及过去（随机）影响的值。ARIMAX模型是ARIMA模型的一个扩展版本。该模型也被称为向量ARIMA或动态回归模型。ARIMAX模型类似于多变量回归模型，但允许利用回归残差中可能存在的自相关来提高预测的准确性。本文提供了一个进行ARIMAX模型预测的练习。还检查了回归系数的统计学意义。它们对应的是1951年3月18日至1953年7月11日这一时间段内的四周时间。
ARIMA模型——非平稳序列的随机性分析
qq_59382597的博客
12-01 3240
ARIMA模型的随机性分析，更好的帮助大家了解ARIMA模型的使用，以及在何时怎么用的问题
基于Python实现时间序列分析建模(ARIMA模型)项目实战
10-31
【项目实战】基于Python实现时间序列分析建模(ARIMA模型)项目实战 内容包括： 资料说明：包括数据集+源代码+PDF文档说明+代码视频讲解。 资料内容包括： 1)项目背景； 2)数据收集； 3)数预处理； 4)RBF神经网络半导体刻蚀机故障诊断模型的构建； 5)模型评估； 6)实际应用。
ARIMA模型时间序列数据分析python代码
06-27
使用ARIMA模型进行时间序列数据分析 编程语言：python 代码编辑器：jupyter notebook 适合想了解ARIMA模型的大致流程以及代码实现的朋友
时间序列（多个变量+一步）
kylin_learn的博客
12-20 3480
''' PART 1:多个x时间变量用于预测y的时间 但是y不作为x的一份子 ''' # 创造数据 from numpy import array from numpy import hstack from keras.models import Sequential from keras.layers import LSTM from keras.layers import Dense # d...
时间序列（单变量/多变量+多个步预测）
kylin_learn的博客
12-20 1万+
''' 用之前时间预测往后不止是一步，而是多步 ''' from numpy import array # split a univariate sequence into samples def split_sequence(sequence, n_steps_in, n_steps_out): X, y = list(), list() for i in range(len(seq...
第77步 时间序列建模实战：多因素预测 vol-2（以决策树回归为例）
qq_30452897的博客
09-26 432
第77步 时间序列建模实战：多因素预测 vol-2（以决策树回归为例）
时间序列分析实战（五）：ARIMA加法（疏系数）模型建模
最新发布
jd1813346972的博客
02-27 2108
针对时序进行ARIMA加法（疏系数）模型建模，包括详细代码及分析。
python时间序列数据预测教程之 arima
胡椒面er
04-14 9989
最近接触时间序列较多，在借鉴很多人的知识之后，特此总结一下。目前关于时间序列数据分析预测大致有三种主流方法： 1、ARIMA系列方法 2、facebook开源的Prophet模型 3、LSTM时间序列预测 本系列将用python进行实现并做出总结。 首先，本文项目中所用数据为近一段时间内，间隔30分钟采样的气象数据（包括温度、湿度、风速、风向等数据）。在本文的理解中，arima方法仅支持单变量预测...
通过R语言实现平稳时间序列的建模--基础（ARMA模型）
热门推荐
Wowlittlemoon的博客
11-19 2万+
目录 1. 建模流程 2. 序列平稳性检验和纯随机性检验 2.1 图检验 2.2 单位根检验 3. 模型选择 ​ 4. 参数估计 5. 模型检验 5.1 模型显著性检验 5.2 参数显著性检验 6. 模型优化 6.1 AIC准则 6.2 BIC准则 7. 预测 1. 建模流程 1.1 序列平稳性检验+纯随机性检验 1.2 模型选择 1.3 参数估计 1.4 模型检验 1.5 模型优化 1.6 预测 2. 序列平稳性检验和纯随机性检验 2.1 图检验 主要适用.
时间序列分析arima模型
09-10
ARIMA模型（自回归移动平均模型）是一种常用的时间序列分析方法，用于预测未来的数值。 ARIMA模型包括3个部分：自回归（AR）、差分（I）和移动平均（MA）。具体来说，ARIMA(p, d, q)模型由以下几个参数组成： - p：自回归阶数，表示模型中采用的历史数据的滞后期数。 - d：差分阶数，表示为了使时间序列平稳而需要进行的差分次数。 - q：移动平均阶数，表示模型中滞后误差的滞后期数。 首先，通过观察时间序列的自相关图（ACF）和偏自相关图（PACF），来确定ARIMA模型中的p、d和q的合适取值。然后，根据确定的参数，对时间序列进行模型拟合和参数估计。最后，使用拟合好的模型进行未来数值的预测。 ARIMA模型在处理时间序列数据方面具有很好的应用性能，但在实践中需要注意选择合适的参数以及模型的诊断和验证。同时，还有其他一些更高级的时间序列模型可以用于预测和分析，例如ARMA、SARIMA、ARCH、GARCH等。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值