arma模型_一文读懂AR、MA、ARMA中p q d Q统计量等知识

来源：由计量经济学服务中心编辑整理，转载请注明来源

AC为序列的自相关系数，即t期序列与t-k期序列的相关系数；

PAC为序列的偏相关系数，即t期序列对t-1，t-2，……，t-k期序列做回归时的偏回归系数。

Q统计量服从卡方分布，从Q的计算公式可知，Q的大小与自相关系数的大小呈正相关，因而当自相关系数越大，样本Q统计量越大，比它更大的Q统计量值越少，P值越小，越能拒绝自相关系数全为0的原假设，即序列存在自相关关系。另外，Q统计量还与滞后期K有关，是一个关于各期自相关系数平方的累积值。

其实，观察自相关图与偏相关图最主要的目的还是确定序列的ARMA(p，q)模型的具体形式。

当然，知道ARMA(p，q)，对于ARIMA(p，d，q)相信你也会更清楚啦，d也是到底几阶差分，若是不平稳，当然也就没有ARIMA模型了！

 第一，自回归过程与移动平均过程。自回归由序列的滞后变量的线性组合以及白声噪(符合0均值固定方差的随机干扰项)相加而成，移动平均过程为白声噪的线性组合构成；

第二，拖尾和截尾。前者指AC或者PAC呈几何衰减(指数式衰减或者正弦式衰减)，后者指AC或者PAC在某一阶之前明显不为0，之后突然接近或者等于0.其实，从字面上也很好理解，拖尾就是拖拖拉拉，截尾就是抽刀断水。

<