时间序列分析

概论

众所周知，时间序列是非常常见的一种序列，时间序列并不是去表示一种时间，而是以时间的方式去刻画一件事物的发展过程，我通过这个模型所需要分析的，就是通过过去的这一段数据去描绘未来的一段数据。

时间序列数据的来源

用时间进行刻画的数据非常的多，比如：

• 某个月每一天的销售业绩
• 某个患者一天内每个时间段的白细胞数量
• 某个程序员每天产生的BUG数量
• 等等等等

时间序列数据的性质

人们对于时间序列都有一个共同的目标，那就是探索未来，由已知推未知。所以我们可以得到这样一些结论

• 时间序列的每一个数据都会和前面的数据有某种关系，且数据之间不独立。
• 时间序列能够对未来有一定的探索，意味着这些数据有一定的回归性

时间序列的一般组合成分

• 长期趋势（T）
  是指时间序列随时间的变化而逐渐增加或者减少的变化趋势。
• 季节变动（S）
  是指时间序列在某个固定时间段内，呈现出的周期性规则变化
• 循环变动（C）
  是指时间序列周期性摆动（与季节性不同）
• 不规则变动（I）
  即数据的随机扰动项

一般来说时间序列的组合方式分为两种：

1. 加法模型

Y=T+S+C+I

2. 乘法模型

Y=T* S* C* I

指数平滑

如果仅仅是拆分现有的时间序列，并不能对未来有比较好的预测，毕竟影响的情况比较多，所以我们要对这串数据进行一次指数平滑。
指数平滑只能用于纯粹的时间序列情况，不能用于含有独立变量时间序列的因果关系研究，因为如果存在有独立变量，在不去除独立变量的情况下，因为这些变量的扰动，很难去分析时间序列的因果关系。

指数平滑的原理

当利用过去的观测值的加权平均来预测未来的观测值（这个过程称为平滑），并且越靠近最新值的数据，权重越大。
比如：

Y_t=αX_t+(1-α)Y_t-1 ，(0<α<1)

ARIMA模型

在现实生活中，可以用到指数平滑的案例非常的少，往往数据中都会有一些独立的变量，而且数据也比理想的要复杂很多，这个时候就需要用到ARIMA模型。
ARIMA模型可以拆分为

1. AR 自回归模型（Autoregressive）

X_t=φ₁X_t-1+…+φ_pX_t-p+α_t

2. MA 移动平均模型（Moving Average）

X_t = α_t-θ₁α_t-1-…-θ_qα_t-q

3. ARMA（p,q）

X_t=φ₁X_t-1+…+φ_pX_t-p+α_t-θ₁α_t-1-…-θ_qα_t-q

4. ARIMA（p,d,q）
   做ARMA模型前额外做d次差分