本文介绍了时间序列分析中的ARIMA模型，包括差分、自回归和移动平均三部分。通过对数据进行差分达到平稳性，然后利用AR自回归和MA移动平均模型进行预测。ARIMA模型的选择和优化涉及ACF和PACF图表，以及AIC和BIC准则。文章还提到了ARIMA模型的评估和参数选择流程。
ARIMA 模型 差分自回归移动平均模型
Autoregressive Integrated Moving Average Model
其分为 差分 自回归 移动平均 三部分（接下来也是按这三部分介绍ARIMA）
原理的意思是
第一个图是原数据图，第二个图是做了一阶差分的数据图 ，第三个图是做了二阶差分的图
可以看到，第二第三个图是围绕某一值上下浮动变化的，也就是非平稳（第一个图）过渡到平稳（二三个图）
滞后值其实也就是p,q，其对应是AR自回归方程需要做几阶（和前第几天的数据有关系）和 MR移动平均方程需要做几阶（调整前第几天导致的误差）
接下来先讲一下什么是平稳性 ，如何让一个非平稳的数据中得到平稳的数据
其实也就是数据能按照一定的分布，上下浮动地变化，并且分布不会因为时间而改变（也就是同一段时间内认为分布一
最低0.47元/天 解锁文章
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
