时间序列预测专项——SARIMAX介绍

宸兹

已于 2022-05-22 18:01:55 修改

阅读量4.1k

点赞数

分类专栏： Python时间序列文章标签：机器学习

于 2022-05-22 17:51:15 首次发布

本文链接：https://blog.csdn.net/m0_46801330/article/details/124911926

版权

Python时间序列专栏收录该内容

2 篇文章 0 订阅

订阅专栏

时间序列预测专项——SARIMAX介绍

一、延迟算子
二、AR model
三、MA model
四、ARMA model
五、ARIMA model
六、加法季节ARIMA model
七、乘法季节ARIMA model
参考文档

本文主要介绍如何用延迟算子（Backshift operator ，记为B）或滞后算子（Lag Operator，记为L)表示 ARIMA model。

一、延迟算子

1、一阶差分
$\Delta{y_t}=y_t-y_{t-1}=(1-B)y_t$
2、二阶差分
$\Delta^{2}{y_t}=(1-B)^2y_t=(y_t-y_{t-1})-(y_{t-1}-y_{t-2})$
3、n阶差分
$\Delta^{n}{y_t}=(1-B)^ny_t$

二、AR model

1、AR(1)模型，如下：
$y_t=\phi y_{t-1}+\varepsilon_t$
用延迟算子表示AR(1)模型，如下：
$(1-\phi B)y_t=\varepsilon_t$
2、AR( p )模型，如下：
$y_t=\phi_1y_{t-1}+\phi_2y_{t-2}+...+\phi_py_{t-p}+\varepsilon_t$
用延迟算子表示AR( p )模型，如下：
$(1-\phi_1B-\phi_2B^2-...-\phi_pB^p)y_t=\varepsilon_t$

三、MA model

MA(q)模型，如下：
$y_t=\varepsilon_t+\theta_1\varepsilon_{t-1}+\theta_2\varepsilon_{t-2}+...+\theta_q\varepsilon_{t-q}$
用延迟算子表示MA(q)模型，如下：
$y_t=(1+\theta_1B+\theta_2B^2+...+\theta_qB^q)\varepsilon_t$

四、ARMA model

令 $\phi(B)=1-\phi_1B-\phi_2B^2-...-\phi_pB^p,\theta(B)=1+\theta_1B+\theta_2B^2+...+\theta_qB^q$ ,于是ARMA(p,q)模型可以表示为：
$\phi(B)y_t=\theta(B)\varepsilon_t$

五、ARIMA model

ARIMA(p,d,q)模型可以表示为：
$\phi(B)y_t^{*}=\theta(B)\varepsilon_t$
其中 $y_t^{*}=\Delta^{d}y_t=(1-B)^{d}y_t$ .

六、加法季节ARIMA model

考虑加法季节效应时，令$p=1,d=1,q=(1,0,0,1)，模型可表示为：
$\Delta y_t=\phi \Delta y_{t-1}+\theta_1\varepsilon_{t-1}+\theta_2 \varepsilon_{t-4}$

七、乘法季节ARIMA model

1、乘法季节模型SARIMA(p,d,q) $\times$ (P,D,Q,s)
$\phi_p(B)\widetilde{\phi}_P(B^s)y_t^{*}=\theta_q(B)\widetilde{\theta}_Q(B^s)\varepsilon_t$
其中， $y_t^{*}=A(t)+\Delta^d\Delta_s^{D}y_t=(1-B)^d(1-B^s)^Dy_t$ .

$\phi_p(B)$ ：非季节性自回归滞后多项式
$\widetilde{\phi}_P(B^s)$ ：季节性自回归滞后多项式
$\theta_q(B)$ ：非季节性移动平均滞后多项式
$\widetilde{\theta}_Q(B^s)$ ：季节性移动平均滞后多项式
$A (t)$ ：趋势多项式，可以是常数

2、特别地，SARIMA(1,1,1) $\times$ (1,1,0,12)可以表示为：
$(1-\phi B)(1-\widetilde{\phi}B^{12})y_t^{*}=(1-\theta B)\varepsilon_t$
其中， $y_t^{*}=\Delta\Delta_{12}y_t=(1-B)(1-B^{12})y_t$ .