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。