本文介绍了ARIMA模型系列，包括AR、MA、ARMA和ARIMA模型，详细阐述了ARIMA建模流程，包括平稳性检验、模型定阶等步骤，并探讨了Auto ARIMA的使用，包括参数介绍和案例分析，简化了时间序列预测模型的构建过程。
文章目录
引言
时间序列分析的目的是给定一个已被观测了的时间序列，预测该序列的未来值。ARIMA模型系列模型常用于基于时间序列的短期预测。为方便后面理解，这里简单介绍拖尾与截尾的含义。
-
截尾是指时间序列的自相关函数（ACF）或偏自相关函数（PACF）在某阶后均为0的性质（比如AR的PACF）
-
拖尾是ACF或PACF并不在某阶后均为0的性质（比如AR的ACF）
这里简单介绍时序模型算法中常用的函数
一、模型介绍
1.AR模型
AR模型又称为 p p p阶自回归模型，记 A R ( p ) AR(p) AR(p)。即在 t t t时刻的随机变量 X t X_t Xt的取值 x t x_t xt是前 p p p期 x t − 1 , x t − 2 , . . . , x t − p x_{t-1},x_{t-2},...,x_{t-p} xt−1,xt−2,...,xt−p的多元线性回归。 x t x_t xt受过去 p p p期的序列值的影响。误差项是当期的随机干扰 ε t ε_t εt,为零均值白噪声序列。
平稳AR模型的性质：
2.MA模型
MA模型又称为 q q q阶移动平均模型，记 M A ( q ) MA(q) MA(q)。即在 t t t时刻的随机变量 X t X_t Xt的取值 x t x_t xt是前 q q q期 随 机 扰 动 ε t − 1 , ε t − 2 , . . . , ε t − p 随机扰动ε_{t-1},ε_{t-2},...,ε_{t-p} 随机扰动εt−1,εt−2,...,εt−p的多元线性回归。 x t x_t xt受过去 q q q期的误差项的影响。误差项是当期的随机干扰 ε t ε_t εt,为零均值白噪声序列。
平稳MA模型的性质：
3.ARMA模型
ARMA模型又称为自回归移动平均模型，记 A R M A ( p , q ) ARMA(p,q) ARMA(p,q)。即在 t t t时刻的随机变量 X t X_t X
最低0.47元/天 解锁文章
扫一扫
3646
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
