时间序列-ARIMA

WandaWang0822

于 2022-09-07 09:52:13 发布

阅读量342

点赞数

分类专栏：概念与基础知识文章标签：机器学习 python 人工智能

本文链接：https://blog.csdn.net/never0822/article/details/126739369

版权

本文介绍了时间序列分析中的ARIMA模型，包括自回归（AR）、移动平均（MA）和自回归移动平均（ARMA）的概念及限制。ARIMA是差分自回归移动平均模型，用于将非平稳时间序列转化为平稳序列进行预测。确定模型的p、d、q参数通过自相关函数（ACF）和偏自相关函数（PACF）。建模流程涉及序列平稳化、选择AIC和BIC指标以及残差检验。

摘要由CSDN通过智能技术生成

1、自回归模型（AR）
描述当前值与历史值之间的关系，用变量自身的历史时间数据对自身进行预测
自回归模型必须满足平稳性的要求

2、自回归模型的限制
自回归模型师用自身的数据来进行预测
必须具有平稳性
必须有自相关性，如果自相关系数小于0.5，则不宜采用
自回归只适用于预测与自身前期相关的现象
3、移动平均模型（MA）
移动平均模型关注的是自回归模型中的误差项的累加

4、自回归移动平均模型（ARMA）

只需要指定p,d,q几个参数就可以
5、ARIMA模型全称为差分自回归移动平均模型
（autoregressive integrated moving average model 简记为ARIMA）
1）AR是自回归，p为自回归项，MA为移动平均,q为移动平均项数，d为时间序列成为平稳时所作的差分次数。
2）原理：
将非平稳时间序列转换为平稳时间序列然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。
6、自相关函数ACF（autocorrelation