ARIMA模型
来自维基百科,自由的百科全书
在统计学与计量经济学所使用的时间序列分析中,自回归单整移动平均模型(ARIMA)和季节性ARIMA模型(SARIMA)分别是自回归移动平均模型(ARMA)向非平稳序列和周期性变化情形的推广。所有这些模型都是为了更好地理解时间序列并预测未来值而拟合的。这种推广的目的是使模型尽可能贴合数据。具体而言,ARMA模型假设序列具有平稳性,即其期望值不随时间变化。若序列存在趋势(但方差/自协方差保持恒定),可通过“差分”操作消除趋势,[1] 得到平稳序列。这种操作实现了对ARMA模型的推广,对应着ARIMA中的“单整”(integrated)部分。类似地,周期性变化可通过“季节性差分”操作消除。[2]
组成部分
与ARMA模型类似,ARIMA中的“自回归”(AR)部分表示感兴趣的演进变量对其前期值进行回归;“移动平均”(MA)部分表示回归误差是同时期及过去不同时期误差项的线性组合[3];而“单整”(I)部分表示数据值已被替换为当前值与前一值的差值(即通过差分操作消除趋势)。
根据Wold分解定理[4][5][6],ARMA模型足以描述规则(亦称纯非确定性[6])的广义平稳时间序列。这促使我们在应用ARMA模型前,需先通过差分等操作将非平稳序列转化为平稳形式。[7]
若时间序列包含可预测子过程(亦称纯正弦或复值指数过程[5]),则该可预测成分在ARIMA框架下被视为具有非零均值但周期性(即季节性)的成分,可通过季节性差分操作予以消除。
参见
参考文献
延伸阅读
外部链接
Wikiwand - on
Seamless Wikipedia browsing. On steroids.