arima 数据预处理_基于R语言的ARIMA模型

A

IMA模型是一种著名的时间序列预测方法，主要是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及ARIMA过程。其中ARIMA(p，d，q)称为差分自回归移动平均模型，AR是自回归， p为自回归项； MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。

通常的建立ARIMA模型需要以下几步：

1.数据的预处理。对时间序列数据的平稳性和纯随机性进行检验，根据检验结果来判断时间序列的类型，以便选择合适的方法建立模型。

平稳性是指围绕着一个常数上下波动且波动范围有限，即有常数均值和常数方差。如果有明显的上升或下降趋势或周期性，那它通常不是平稳序列。

三种常用的检验平稳性的方法：

(1)时序图。通过时序图来观察。一般而言，平稳序列始终在一个常数值附近随机波动，且波动范围有界；非平稳序列则有明显的趋势性或周期性。

(2)自相关与偏相关系数检验。在自相关图中，在那一阶数值高于虚线即表明自相关系数>0.5，就存在那一阶自相关(偏自相关一样)。随着滞后数(延迟期数)的增加，平稳序列自相关系数会很快衰减至0而非平稳序列衰减速度通常较慢。若自相关图呈现三角对称性则为单调趋势的非平稳序列。自相关系数长期位于零轴一边表示有单调趋势序列。自相关系数呈现明显正弦波动规律则表明有周期变化规律。

(3)单位根检验(ADF)。单位根检验是指检验序列中是否存在单位根，如果存在单位根就是非平稳时间序列。若P值<0.05,为平稳