此条目没有列出任何参考或来源。 (2022年3月10日)
维基百科所有的内容都应该可供查证。请协助补充可靠来源以改善这篇条目。无法查证的内容可能会因为异议提出而被移除。 |
此条目需要精通或熟悉统计学的编者参与及协助编辑。
请邀请适合的人士改善本条目。更多的细节与详情请参见讨论页。
另见其他需要统计学专家关注的页面。 |
ARIMA模型（英语：Autoregressive Integrated Moving Average model），差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），为时间序列预测分析方法之一。ARIMA（p，d，q）中，AR为自回归，p为自回归项数；MA为移动平均，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。“差分”一词虽未出现在ARIMA的英文名称中，却是使时间序列得以平稳关键的步骤。
ARIMA（p，d，q）模型是ARMA（p，q）模型的扩展。ARIMA（p，d，q）模型可以表示为：
其中L 是滞后算子（Lag operator），
模型特点
ARIMA模型运用的流程
- 根据时间序列的散点图、自相关函数和偏自相关函数图识别其平稳性。
- 对非平稳的时间序列数据进行平稳化处理。直到处理后的自相关函数和偏自相关函数的数值非显著非零。
- 根据所识别出来的特征建立相应的时间序列模型。平稳化处理后，若偏自相关函数是截尾的，而自相关函数是拖尾的，则建立AR模型；若偏自相关函数是拖尾的，而自相关函数是截尾的，则建立MA模型；若偏自相关函数和自相关函数均是拖尾的，则序列适合ARMA模型。
- 参数估计，检验是否具有统计意义。
- 假设检验，判断（诊断）残差序列是否为白噪声序列。
- 利用已通过检验的模型进行预测。
相关条目
