文章探讨了ARIMA模型和其扩展版ARIMAX模型在时间序列预测中的作用，特别是在冰淇淋消费数据上的实践。ARIMAX模型结合了额外的预测变量，如家庭收入和平均温度，以提升预测准确性，并利用回归残差的自相关性。数据集包含30个观测值，涵盖了1951年至1953年的消费、收入和温度信息。
标准的ARIMA（移动平均自回归模型）模型允许只根据预测变量的过去值进行预测。该模型假定一个变量的未来的值线性地取决于其过去的值，以及过去（随机）影响的值。ARIMAX模型是ARIMA模型的一个扩展版本。它还包括其他独立（预测）变量。该模型也被称为向量ARIMA或动态回归模型。
ARIMAX模型类似于多变量回归模型，但允许利用回归残差中可能存在的自相关来提高预测的准确性。 本文提供了一个进行ARIMAX模型预测的练习。还检查了回归系数的统计学意义。
这些练习使用了冰淇淋消费数据。该数据集包含以下变量。
- 冰淇淋消费（人均）
- 每周的平均家庭收入
- 冰淇淋的价格
- 平均温度。
观测数据的数量为30个。它们对应的是1951年3月18日至1953年7月11日这一时间段内的四周时间。
扫一扫
6136
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
