ARIMA时序数据预测知识点

1.时序数据中存在的典型信息：趋势、季节性、噪声 （可通过时间序列分解得到这三部分）

2.自相关性：指在时间序列中当前值和过去值的相关性，包括正相关和负相关，即上升趋势还是下降趋势。相关值之间的时间间隔称为LAG，ACF图和PACF图可以检测数据集中的自相关情况。

ACF：自相关函数，指任意时间t（t=1,2,3...n）的序列值Xt与其自身的滞后值Xt-1（这里取滞后一阶，即lag=1）的线性关系。

PACF：自相关函数，区别于ACF的自相关，PACF给出的是局部自相关。

参考：

如何根据自相关（ACF）图和偏自相关（PACF）图选择ARIMA模型的p、q值_牛客博客 (nowcoder.net)

3.平稳性：通过Dickey-Fuller检测非平稳性，其是一种统计假设检验。如数据是非平稳的，可以通过差分法来消除非平稳性。平稳性检验常常被称为ADF检验，Augmented Dickey-Fuller test；顾名思义，ADF检验是Dickey-Fuller检验的增广形式。DF检验只能用于一阶情况，当序列存在高阶的滞后相关时，可以使用ADF检验。

ADF检验就是判断序列是否存在单位根（因而也被称为单位根检验）：如果数据平稳则不存在单位根；否则就会存在单位根。所以ADF检验的H0假设就是存在单位根，如果得到的显著性检验统计量小于单个置信度（10%，5%，1%），则对应有（90%，95%，99%）的把握拒绝原假设。

ADF的零假设是时间序列中存在一个单位根，另一种假设是数据是静止的。检验结果中的P值需要小于对应的置信度0.1，0.05，0.001。

有趋势性的数据即是非平稳数据，平稳性要求数据具有稳定的均值和方差，或者均值和方差不发生明显变化。

4.差分：经ADF检验数据为非平稳后，需要进行差分以去除趋势性；差分后的数据只具有季节性和噪声。还可以使用对数变换和幂变换等方法进行差分。

注：静止的意思是，在时间序列数据中不存在趋势和季节性，或者说数据不随时间变化，没有时间结构。

Python实现对数据的ADF检验 - 知乎 (zhihu.com)