arima模型 p q d 确定_38-一些预测模型与方法简介（ARIMA、指数平滑等）

前言：

先以一个例子，介绍一下预测模型的三种分类：

例如，假设我们想要预测炎热地区夏季时每小时用电需求量。

1. 【解释模型】。可以用如下包含预测变量的模型：

解释模型,包含了有关其他变量的信息,而不仅仅是要预测的变量的历史值

右侧的“误差”项表示随机波动和没有被包括在模型中的相关变量的影响。我们将它称之为“解释模型”，因为它帮助解释电力需求变化的原因。

2.【时间序列模型】。因为电力需求数据构成了一组时间序列，我们也可以用一个时间序列模型来进行预测。在这种情况下，一个合适的时间序列模型可以为如下形式：

时间序列模型

t表示当前的时间，t+1表示下一个小时，t−1表示前一个小时，t−2表示前两个小时

3.【混合模型】。还有第三种模型, 它结合了上述两种模型的特点。

混合模型(动态回归模型、面板数据模型、纵向模型)

正文：

一、时间序列回归模型

线性回归模型的核心思路是：我们预测时间序列y时，假设它与其它时间序列x之间存在线性关系。

1.简单线性回归

简单线性回归

2.多元线性回归

多元线性回归

最小二乘估计方法通过最小化残差平方和来确定模型的各个参数

二、时间序列分解

1.时间序列成分

• 时间序列数据通常有很多种潜在模式，因此一种有效的处理时间序列的方式是将其分解为多个成分，其中每个成分都对应某一种基础模式。
• 三种基础的时间序列模式：趋势性，季节性和周期性。当我们想要把时间序列分解为多个成分时，我们通常将趋势和周期组合为“趋势-周期”项（有时也简单称其为趋势项）。因此，我们认为时间序列包括三个成分：趋势-周期项，季节项和残差项（残差项包含时间序列中其它所有信息）。

时间序列成分

2.移动平均法（Moving Average，MA）

https://zhuanlan.zhihu.com/p/38276041

https://blog.csdn.net/tz_zs/article/details/78341306

三、指数平滑

1.定义：https://otexts.com/fppcn/ses.html

2.实战：https://blog.csdn.net/hqr20627/article/details/79407867

https://zhuanlan.zhihu.com/p/50952918

四、ARIMA模型

在引入ARIMA模型之前，我们需要先讨论平稳性（stationarity）和差分时间序列（differencing time series）的相关知识

1.差分形象定义：https://zhuanlan.zhihu.com/p/46699931

差分则可以通过去除时间序列中的一些变化特征来平稳化它的均值，并因此消除（或减小）时间序列的趋势和季节性

2.ARIMA模型定义：

https://baike.baidu.com/item/ARIMA%E6%A8%A1%E5%9E%8B

https://otexts.com/fppcn/arima-cn.html

（1）自回归模型

（2）移动平均模型

（3）非季节性ARIMA模型

• 平稳的时间序列的性质不随观测时间的变化而变化
• 弱平稳过程：当①均值函数是常数函数且②协方差函数仅与时间差相关，我们才称其为弱平稳。
• 非平稳时间序列经过差分处理后可以转换为平稳时间序列
• 时间序列的预处理:平稳性检验和白噪声检验
• 对数据的平稳性进行检验是时间序列分析的重要步骤，一般通过时序图和自相关图来检验时间序列的平稳性
• 对于非平稳时间序列中若存在增长或下降趋势，则需要进行差分处理然后进行平稳性检验直至平稳为止
• 差分的次数越多，对时序信息的非平稳确定性信息的提取越充分，但差分的次数并非越多越好，每一次差分运算，都会造成信息的损失，所以应当避免过分的差分，一般在应用中，差分的阶数不超过2。

3.ARIMA模型含义与实战

https://zhuanlan.zhihu.com/p/60648709

（1）差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），是时间序列预测分析方法之一

（2）对时间序列数据进行分析和预测比较完善和精确的算法是博克思-詹金斯(Box-Jenkins)方法，其常用模型包括：自回归模型（AR模型）、滑动平均模型（MA模型）、（自回归-滑动平均混合模型）ARMA模型、（差分整合移动平均自回归模型）ARIMA模型。ARIMA 模型是通过寻找历史数据之间的自相关性，来预测未来（假设未来将重复历史的走势），要求序列必须是平稳的。

（3）ARIMA(p，d，q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，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”一词虽未出现在ARIMA的英文名称中，却是关键步骤。将自回归模型（AR）、移动平均模型（MA）和差分法结合，我们就得到了差分自回归移动平均模型 ARIMA（p、d、q），其中 d 是需要对数据进行差分的阶数。

（4）建立ARIMA模型的方法步骤

• • 时间序列的获取：首先应该检查是否有突兀点的存在
  • 时间序列的预处理：
    • 平稳性检验和白噪声检验，时序图和自相关图
    • 单位根检验（ADF检验）：判断序列是否存在单位根：如果序列平稳，就不存在单位根；否则，就会存在单位根。对于非平稳时间序列要先进行 d 阶差分，转化为平稳时间序列；
    • 对于一个平稳时间序列,自相关系数（ACF）会快速的下降到接近 0 的水平，然而非平稳时间序列的自相关系数会下降的比较缓慢。
    • 要对平稳时间序列分别求得其自相关系数（ACF）和偏自相关系数（PACF），通过对自相关图和偏自相关图的分析，得到最佳的阶数p、q
  • 模型识别：Box-Jenkins模型识别方法
  • 模型定阶：BIC准则法进行定阶
  • 参数估计：相关矩估计法、最小二乘估计以及极大似然估计等
  • 模型的验证：Barlett定理构造检验统计量Q

五、人口生命表及人口规模

1.定义：https://baike.baidu.com/item/%E6%A8%A1%E5%9E%8B%E7%94%9F%E5%91%BD%E8%A1%A8

https://books.google.com/books?id=vKokCwAAQBAJ&pg=PP2&lpg=PP2&dq=%E4%BA%BA%E5%8F%A3+%E7%94%9F%E5%91%BD+%E6%A8%A1%E5%9E%8B&source=bl&ots=ZYBRk2aYsS&sig=ACfU3U1xZHECc4IqMh59osbTsIit2ah8ZQ&hl=zh-CN&sa=X&ved=2ahUKEwjGwt3G_vroAhVBG6YKHXpKAT8Q6AEwBHoECAoQAQ#v=onepage&q=%E4%BA%BA%E5%8F%A3%20%E7%94%9F%E5%91%BD%20%E6%A8%A1%E5%9E%8B&f=false

2.人口成长模型

http://episte.math.ntu.edu.tw/applications/ap_population/index.html

https://zhuanlan.zhihu.com/p/63136057

https://www.cnblogs.com/wander-clouds/p/11007668.html

3.Lee-Carter模型

https://wenku.baidu.com/view/c6d11037cd7931b765ce0508763231126edb779f.html?re=view

六、收支预测模型

https://www.ixueshu.com/document/22cde1e97521595bcbf7f0aa663d8a33318947a18e7f9386.html

http://www.cqivip.com/yxlw2/554.html