arima 公式_小白快速上手数据分析1 | 时间序列ARIMA分析-CSDN博客

本文链接：https://blog.csdn.net/weixin_39614528/article/details/111655230

本文介绍了ARIMA时间序列分析模型，包括模型的平稳性要求、建模步骤和案例应用。通过ADF检验和平稳性处理，确定ARIMA(p, d, q)模型参数，最终利用模型进行时间序列预测，如预测人均GDP。ARIMA模型的残差分析显示模型具备较好的白噪声特性，模型拟合优度高。" 123519168,12432298,开放获取OA详解：打破学术壁垒的新模式,"['学术出版', '科研成果', '知识传播']

摘要由CSDN通过智能技术生成

ARIMA时间序列分析

作用：ARIMA时间序列分析通常用于对单列具有时间序列的数据进行预测，例如销售量预测，股票收盘价预测等等 ○ 输入：单列数据序列的数据，例如每个月销售额，每天股票的价格，通常数据量为15-50 条； ○ 输出：对未来5-15 天进行预测

ARIMA模型的全称叫做自回归移动平均模型，也记作ARIMA(p，d，q)，是统计模型中最常见的一种用来进行时间序列预测的模型。ARIMA模型建模的基本条件是要求待预测的数列满足平稳的条件，即个体值要围绕序列均值上下波动，不能有明显的上升或下降趋势，如果出现上升或下降趋势(不稳定数据)，是无法捕捉到规律的，需要对原始序列进行差分平稳化处理。比如股票数据用ARIMA无法预测的原因就是股票数据是非稳定的，常常受政策和新闻的影响而波动，可以使用ADF检验用于稳定性检验，使用差分分析对数据进行稳定性处理。

从步骤上讲，ARIMA时间序列分析共分为五个步骤：

○ Step1：ARIMA模型要求序列满足平稳性，查看ADF检验结果，根据分析t值，分析其是否可以显著地拒绝序列不平稳的假设(p＜0.05或0.01)

○ Step2：查看差分前后数据对比图，判断是否平稳(上下幅度不大)，同时对时间序列进行偏自相关分析、自相关分析，根据截尾情况估算其p、q值

○ Step3：ARIMA模型要求时间序列数据具备纯随机性，即模型残差为白噪声，查看模型检验表，根据Q统计量的p值对模型白噪声进行检验，也可以结合信息准则AIC和BIC值进行分析(越低越好)，也可通过ACF/PACF图进行分析

○ Step4：根据模型参数表，得出模型公式