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