ARIMA模型(Autoregressive Integrated Moving Average model),差分整合移动平均自回归模型,又称整合移动平均自回归模型(移动也可称作滑动)。
A
R
I
M
A
(
p
,
d
,
q
)
{
A
R
(
p
)
−
p
阶
自
回
归
M
A
(
q
)
−
q
阶
滑
动
平
均
d
为
使
之
成
为
平
稳
序
列
所
做
的
差
分
次
数
(
阶
数
)
ARIMA(p,d,q) \begin{cases} AR(p)-p阶自回归\\ MA(q)-q阶滑动平均\\ d为使之成为平稳序列所做的差分次数(阶数) \end{cases}
ARIMA(p,d,q)⎩⎪⎨⎪⎧AR(p)−p阶自回归MA(q)−q阶滑动平均d为使之成为平稳序列所做的差分次数(阶数)
模型可表示为:
(
1
−
∑
i
=
1
p
ϕ
i
L
i
)
(
1
−
L
)
d
X
t
=
(
1
+
∑
i
=
1
p
θ
i
L
i
)
ε
t
\left(1-\sum_{i=1}^p\phi_iL^i\right)(1-L)^dX_t=\left(1+\sum_{i=1}^p\theta_iL^i\right)\varepsilon_t
(1−i=1∑pϕiLi)(1−L)dXt=(1+i=1∑pθiLi)εt
ARIMA 模型可以理解为:差分+平稳模型。非平稳模型的数据经过差分处理变成平稳数据,然后再用平稳模型处理。
p
阶
差
分
:
Δ
p
x
t
=
Δ
p
−
1
x
t
−
Δ
p
−
1
x
t
−
1
k
步
差
分
:
Δ
k
x
t
=
x
t
−
x
t
−
k
\begin{array}{lcl} p阶差分:\Delta^p x_t=\Delta^{p-1} x_t-\Delta^{p-1} x_{t-1}\\ k步差分:\Delta_kx_t=x_t-x_{t-k} \end{array}
p阶差分:Δpxt=Δp−1xt−Δp−1xt−1k步差分:Δkxt=xt−xt−k
差分的滞后算子L表示:
p
阶
差
分
:
Δ
p
x
t
=
(
1
−
L
)
p
x
t
=
∑
i
=
0
p
(
−
1
)
i
C
p
i
L
i
x
t
=
∑
i
=
0
p
(
−
1
)
i
C
p
i
x
t
−
i
k
步
差
分
:
Δ
k
x
t
=
x
t
−
x
t
−
k
=
(
1
−
L
k
)
x
t
\begin{array}{lcl} p阶差分:\Delta^p x_t=(1-L)^p x_t=\sum_{i=0}^p(-1)^iC_p^iL^ix_t=\sum_{i=0}^p(-1)^iC_p^ix_{t-i}\\ k步差分:\Delta_kx_t=x_t-x_{t-k}=(1-L^k)x_t \end{array}
p阶差分:Δpxt=(1−L)pxt=∑i=0p(−1)iCpiLixt=∑i=0p(−1)iCpixt−ik步差分:Δkxt=xt−xt−k=(1−Lk)xt
线性趋势→1 阶差分;
曲线趋势→低阶(2阶或3阶)差分、
固定周期→步长为周期长度的差分
但是对信息进行差分运算会造成信息的损失。