ARMA、ARIMA和SARIMA

ARMA、ARIMA和SARIMA

1 背景知识

1.1 自回归模型（AR）

描述当前值与历史值之间的关系，用变量自身的历史时间数据对自身进行预测，自回归模型必须满足平稳性。

• 自回归（AR），就是指当前值只与历史值有关，用自己预测自己
• p阶自回归，指当前值与前p个值有关
• 求常数u与自回归系数ri
• 自回归模型的限制
  （1）自回归模型是用自身的数据来进行预测，即建模使用的数据与预测使用的数据是同一组数据；
  （2）必须具有平稳性；
  （3）必须具有自相关性，如果自相关系数(φi)小于0.5，则不宜采用；
  （4）自回归只适用于预测与自身前期相关的现象。

1.2 移动平均模型（MA）

移动平均模型关注的是自回归模型中的误差项的累加，移动平均法能有效地消除预测中的随机波动。

• q阶自回归，指当前值与前q个误差有关
• 求常数u与系数θi

1.3 自回归移动平均模型（ARMA）

自回归与移动平均的结合

• p与q分别为自回归模型与移动平均模型的阶数，需要人为定义
• γi与θi分别是两个模型的相关系数，需要求解
• 如果原始数据不满足平稳性要求而进行了差分，则为差分自相关移动平均模型（ARIMA），将差分后所得的新数据带入ARMA公式中即可

1.4 判断时序数据是否稳定的方法

• 严谨的定义： 一个时间序列的随机变量是稳定的，当且仅当它的所有统计特征都是独立于时间的（是关于时间的常量）。
• 判断的方法：
  （1）稳定的数据是没有趋势(trend)，没有周期性(seasonality)的; 即它