starima与arima 预测_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。【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，