arima基本原理_时间序列 ：ARIMA模型-原理

时间序列是在时间点上形成的数值序列，时间序列预测是通过观察历史数据预测未来的值。ARIMA模型(Autoregressive Integrated Moving Average model)是时间序列预测分析方法之一，全称叫做自回归差分移动平均模型。

本文是看网上博客整理而来，原始文章是：

一，模型的构成

ARIMA模型包含3个部分，即自回归(AR)、差分(I)和移动平均(MA)，它们的含义分别是：

AR表示自回归(Auto Regression)，

I 表示单整阶数(Integration)，时间序列必须是平稳的，才能建立计量模型。对时间序列进行单位根检验，如果是非平稳序列，那么需要通过差分转化为平稳序列，经过几次差分转化为平稳序列，就称为几阶单整；

MA表示移动平均模型(Moving Average)

ARIMA模型记作ARIMA(p，d，q)，p为自回归项数；q为滑动平均项数，d为使之成为平稳序列所做的差分次数(阶数)。“差分”是关键步骤，采用ARIMA模型预测的时序数据，必须是稳定的(平稳性)，不稳定的数据，是无法捕捉到时序规律的。

ARIMA模型实际上是AR模型和MA模型的组合，ARIMA模型与ARMA模型的区别：ARMA模型是针对平稳时间序列建立的模型，而ARIMA模型是针对非平稳时间序列建立的模型。换句话说，非平稳时间序列要建立ARMA模型，首先需要经过差分转化为平稳时间序列，然后建立ARMA模型。

模型的优点是：模型简单，只需要内生变量而不需要借助其他外生变量。