arima模型怎么拟合_7个统计测试,用于验证和帮助拟合ARIMA模型

本文介绍了如何拟合ARIMA模型,并引用了一篇来源于Medium的文章,文章中详细阐述了7种统计测试,这些测试有助于验证和优化ARIMA模型的拟合过程。
摘要由CSDN通过智能技术生成

arima模型怎么拟合

什么是ARIMA? (What is ARIMA?)

ARIMA models are one of the most classic and most widely used statistical forecasting techniques when dealing with univariate time series. It basically uses the lag values and lagged forecast errors to predict the feature values.

ARIMA模型是处理单变量时间序列时最经典,使用最广泛的统计预测技术之一。 它基本上使用滞后值滞后的预测误差来预测特征值。

Image for post
Full form of ARIMA (Image created by Pratik Gandhi)
ARIMA的完整形式(Pratik Gandhi创建)
  • AR: using the lags of previous values

    AR:使用先前值的滞后

  • I: non-stationary differencing

    I: 非平稳差分

  • MA: moving average for the error term

    MA: 移动平均线 对于错误项

Some of these terms are very commonly used when working with time-series data. ARIMA models can fit accurately if we deeply understand these terms or components of the data. Following are the few of them:

其中一些术语在处理时间序列数据时非常常用。 如果我们深刻理解数据的这些术语或组成部分,则ARIMA模型可以准确拟合。 以下是其中一些:

趋势: (Trend:)

Data is considered to have a trend when there is an increase or decrease direction in the data. E.g. increase of airline passengers during summer, reduction in a number of customers during weekdays, etc.

当数据中存在增加或减少的方向时,数据被认为具有趋势 。 例如,夏季航空乘客的增加,工作日乘客数量的减少等。

Image for post
Photo by Chris Liverani on Unsplash
Chris LiveraniUnsplash拍摄的照片

季节性: (Seasonality:)

Data is considered to have a seasonal pattern if the data is influenced by external factors. For instance, growth and fall of leaves are driven by the weather/season of mother nature.

如果数据受外部因素影响,则认为该数据具有季节性模式 。 例如,树叶的生长和下降是由自然的天气/季节驱动的。

Image for post
Photo by Chris Lawton on
ARIMA模型和灰色预测模型都需要调参来提高预测精度,下面分别说明如何避免过拟合。 对于ARIMA模型,可以通过以下几个方面来避免过拟合: 1. 确定合适的p、d、q值:p、d、q值分别代表ARIMA模型中的自回归、差分和移动平均项数。可以通过自相关图(ACF)和偏自相关图(PACF)来确定p、q值,通过观察时间序列的趋势和季节性来确定d值。 2. 选择合适的模型ARIMA模型有多种形式,如AR、MA、ARMA、ARIMA、SARIMA等等,不同的模型用于不同的时间序列。需要根据时间序列的特点选择合适的ARIMA模型。 3. 确定合适的差分次数:为了使时间序列平稳,可能需要对时间序列进行多次差分。需要通过观察差分后的时间序列是否平稳来确定合适的差分次数。 对于灰色预测模型,可以通过以下几个方面来避免过拟合: 1. 确定合适的模型:灰色预测模型有多种形式,如GM(1,1)、GM(2,1)等等,需要根据时间序列的特点选择合适的灰色预测模型。 2. 确定合适的参数:不同的灰色预测模型有不同的参数,需要通过试验来确定合适的参数。 3. 使用交叉验证:可以将数据集分成训练集和测试集,训练集用来训练模型测试集用来评估模型的预测精度。通过交叉验证可以避免过拟合的问题。 总体来说,避免ARIMA模型和灰色预测模型拟合的关键在于选择合适的模型和参数,并使用交叉验证来评估模型的预测精度。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值