时序模式

模型算法	描述
平滑法	常用于趋势分析和预测，利用修匀技术，削弱短期随机波动对序列的影响，使序列平滑化。可具体分为移动平均和指数平均
趋势拟合法	时间作为自变量，相应的序列观察值作为因变量，建立回归模型。根据序列的特征，可具体分为线性拟合和曲线拟合
组合模型	时间序列的变化主要受到长期趋势、季节变动、周期变动和不规则变动这四个因素的影响。可构建加法模型和乘法模型
AR模型	以前p期的序列值为自变量、随机变量的取值为因变量建立线性回归模型
MA模型	随机变量的取值与以前各期的序列值无关，建立与前期的随机扰动的线性回归模型
ARMA模型	随机变量的取值不仅与以前p期的序列值有关，还与前q期的随机扰动有关
ARIMA模型	差分平稳序列
ARCH模型	适用于序列具有异方差且异方差函数短期自相关
GARCH模型	广义ARCH模型

Data <- read.csv("./data/arima_data.csv", header = TRUE)[, 2]
sales <- ts(Data)
plot.ts(sales, xlab = "时间", ylab = "销量 / 元")
# 单位根检验
unitrootTest(sales)
# 自相关图
acf(sales)
# 一阶差分
difsales <- diff(sales)
plot.ts(difsales, xlab = "时间", ylab = "销量残差 / 元")
# 自相关图
acf(difsales)
# 单位根检验
unitrootTest(difsales)
# 白噪声检验
Box.test(difsales, type="Ljung-Box") 
# 偏自相关图
pacf(difsales)
# ARIMA(1,1,0)模型
arima <- arima(sales, order = c(1, 1, 0))
arima
forecast <- forecast.Arima(arima, h = 5, level = c(99.5))
forecast

函数名	功能
acf()	计算自相关系数
pacf()	偏相关系数
unitrootTest()	对观测值序列进行单位根检验
diff()	对观察值序列进行差分计算
armasubsets()	模型定阶，确定时序模型的建模参数
arima()	设置时序模型的建模参数，创建ARIMA模型
Box.test()	检测ARIMA模型是否符合白噪声检验
forecast()	应用构建的时序模型进行预测