ARIMA模型的详细解读

豆豆LemonET

于 2024-02-26 20:57:36 发布

阅读量1.3k

点赞数 23

文章标签： python scikit-learn jupyter

本文链接：https://blog.csdn.net/qq_51467258/article/details/136306256

版权

ARIMA模型概念

ARIMA（Autoregressive Integrated Moving Average）是一种常用的时间序列分析方法，用于预测未来的数据点。ARIMA模型基于时间序列的历史数据，包括自回归（Autoregressive）、差分（Integrated）和移动平均（Moving Average）三个部分。

自回归（AR）部分：基于过去的观测值来预测当前值。 AR阶数（p）表示考虑多少个过去的观测值。例如，AR(1)模型使用上一个时刻的观测值作为预测因素。
什么叫“自回归”：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。
差分（I）部分：用于处理非平稳性的时间序列数据。 通过对数据进行差分运算，可以将非平稳序列转化为平稳序列。差分阶数（d）表示进行几阶差分操作。通常，通过观察原始数据的趋势和季节性变化，确定需要进行的差分次数。
什么叫“差分法”：时间序列在 t 与 t-1 时刻的差值。做差分会是数据的平稳性更好，
移动平均（MA）部分：考虑过去误差的线性组合作为预测因素。 MA阶数（q）表示考虑多少个过去的误差项。例如，MA(1)模型使用过去一个时刻的误差项作为预测因素。

ARIMA模型的基本原理是将时间序列数据转化为平稳序列，然后通过拟合AR、I和MA参数来建立模型。拟合过程中，可以使用最大似然估计或其他优化算法来寻找最佳的参数组合。一旦模型被建立，可以使用它来预测未来的数据点。

具体来说，ARIMA模型有三个参数：p、d和q。

p代表自回归项数，指定模型中考虑的前几期的数据点。即多少个历史时间值
d代表差分阶数，指定需要进行几阶差分转化为平稳时间序列。
q代表移动平均项数，指定模型中考虑的前几期的预测误差。

通过对历史时间序列数据的分析和选择合适的p、d、q参数，ARIMA模型可以用来预测未来的数据趋势。在实际应用中，可以使用Python中的statsmodels库或者其他时间序列分析工具来构建和拟合ARIMA模型，并进行预测操作。

扩展知识

自相关函数ACF（autocorrelation function）：有序的随机变量序列与其自身相比较。自相关函数反映了同一序列在不同时序的取值之间的相关性。
公式如下：其中，Pk的取值范围为[-1,1]
偏自相关函数PACF（partial autocorrelation function）

对于一个平稳AR（p）模型，求出滞后k自相关系数p(k)时实际上得到并不是x(t)与x(t-k)之间单纯的相关关系
x（t）同时还会受到中间 k-1 个随机变量 x(t-1)、x(t-2)、x(t-k+1) 的影响，而这 k-1 个随机变量又都和 x(t-k) 具有相关关系，所以自相关系数 p(k) 里实际掺杂了其他变量对 x(t) 与 x(t-k) 的影响
剔除了中间 k-1 个随机变量 x(t-1)、x(t-2)、x(t-k+1) 的干扰之后 x(t-k) 对 x(t) 影响的相关程度。
ACF还包含了其他变量的影响，而偏自相关系数PACF是严格这两个变量之间的相关性