arima(p,d,q)称为差分自回归移动平均模型,ar是自回归,p为自回归项,可以看自相关图来估计;ma为移动平均,q为移动平均项数,可以看偏相关图来估计,d为时间序列成为平稳时所做的差分次数。“差分”一词虽未出现在arima的英文名称中,却是关键步骤。
arima模型,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),时间序列预测分析方法之一。
扩展资料:
arima模型运用的流程
1、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。
2、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。
3、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。
4、参数估计,检验是否具有统计意义。
5、假设检验,判断(诊断)残差序列是否为白噪声序列。
6、利用已通过检验的模型进行预测。
参考资料:百科-自回归模型
20210311特别声明:本网为公益网站,人人都可发布,所有内容为会员自行上传发布",本站不承担任何法律责任,如内容有该作者著作权或违规内容,请联系我们清空删除。