自回归滑动平均模型(Autoregressive moving average model),是AR和MA模型的结合,也是ARIMA模型的前身。在用ARMA模型对时间序列进行预测或分析之前,需要进行一些pre-analysis。
- 价值与白噪声分析:
- 是否是平稳序列:一般来说,ARMA和ARIMA模型只能处理平稳时间序列,对于非平稳时间序列,就得通过差分来解决
- ACF和PACF计算:判断数据受到前面几期数据的影响,同时,ACF和PACF也是判断AR 和MA阶数的方法之一。
ARMA时间序列
AR是一种回归序列:
MA则是一种滑动拟合模型,
二者结合起来并加上系数,就组成了ARMA模型。
ARMA模型的特性
MA(q)序列的自相关函数 AR(p)序列的自相关函数
ARMA(p,q)序列的自相关函数:通过以上方程联立求解,可以认为该函数是拖尾的。
ARMA的实际应用
- 定阶:通常用ACF和PACF决定
- 平稳:平稳即差分操作,1阶以上的ARMA模型视为ARIMA模型
- 拟合模型,判断差分是否合理