R语言与时间序列学习笔记（2）

ARMA模型的参数估计方法

             ARMA参数估计和前面我们介绍的点估计内容相似，也介绍矩估计与最小二乘估计两种方法。

           和上一次的点估计一样，这一次我分享的内容主要有：矩估计，最小二乘估计，一个应用例题

            关于矩估计与最小二乘估计的基本思想，参见前面点估计的有关介绍.

           A RMA 模型（Auto-Regressive and Moving Average Model）是研究时间序列的重要方法，由自回归模型（简称AR模型）与滑动平均模型（简称MA模型）为基础“混合”构成。在市场研究中常用于长期追踪资料的研究，如：Panel研究中，用于消费行为模式变迁研究；在零售研究中，用于具有季节变动特征的销售量、市场规模的预测等。

           ARMA模型的基本原理：将预测指标随时间推移而形成的数据序列看作是一个随机序列，这组随机变量所具有的依存关系体现着原始数据在时间上的延续性。一方面，影响因素的影响，另一方面，又有自身变动规律，假定影响因素为x1，x2，…，xk，由回归分析， 　　 

           对于arma模型的矩估计和最小二乘估计需要了解yule-walker方程。你可以参阅：http://blog.sina.com.cn/s/b