在统计学中,数据的独立性是我们希望的性质,问题是时间序列数据间往往是相关的。时间序列分析的目的就是要通过统计模型提取一个序列的结构,将原始的序列转化为相互独立的序列。

刚开始接触,很多东西没有啥深刻的理解。

ARIMA模型

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;MA为移动平均,q为移动平均项数,d为时间序列成为平稳时所做的差分次数。

所谓 ARIMA 模型,是指将非平稳时间序列转化为平稳时间序列,然后将因变量仅对它的滞后值以及随机误差项的现值滞后值进行回归所建立的模型。ARIMA 模型根据原序列是否平稳以及回归中所含部分的不同,包括移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及 ARIMA 过程1

此处输入图片的描述

我们先来看一下几种最简单的形式长啥样,


MA模型2

一般的滑动平均模型被定义为:

MA(q) 在 t 时刻的值就是白噪声序列在 t 时刻到 t-q 时刻的线性组合。

自相关系数:

这里我就可以得到一个基本的结论,MA(q) 在时滞大于q后没有相关性,也就说 MA(q) 模型每一个序列值只与其前 q 个值有相关性。

我们可以直观的看下 MA(1) 这样一个最简单的模型,

此处输入图片的描述


AR模型

自回归模型就是用自身做回归变量,具体来说,p 阶自回归过程满足方程:

序列 $Y_t$ 的当前值是自身最近 p 阶滞后项和 $e_t$ 的线性组合, 其中 $e_t$ 包括了序列在 $t$ 时刻无法用过去值来解释的所有新信息。

从公式上看,AR应该比MA具有更强的自相关性,因为MA仅与滞后的白噪声因素相关,而AR是时间序列前后直接相关。

我们看下 AR(1) 时间序列,

此处输入图片的描述

现实建模时一般很少使用高于AR(2)的模型,因为过高的阶会导致复杂的模型和提高过拟合风险。因此在实际使用中了解AR(1)和AR(2)的特性一般就足够了。


ARMA模型3

如果假定序列中部分是自回归 (AR),部分是滑动平均 (MA),我们就可以的到一个相当普遍的时间序列模型:自回归滑动平均混合过程

ARMA(1,1)时间序列:

此处输入图片的描述


ARIMA模型

前面我们谈到的模型都要求时间序列,是平稳的,那么遇到非平稳的该怎么办呢?

这个时候就要引出我们的ARIMA模型了(实际上就加上了差分的操作),

如果一个时间序列 ${ Y_t }$ 的 d 次差分 $W_t = \nabla^d Y_t$ 是一个平稳的 ARMA 过程,则称 ${ Y_t }$ 为差分自回归移动平均模型 .

此处输入图片的描述


  1. ARIMA模型

  2. 时间序列分析基础(重点 “Copy”)

  3. 时间序列分析及应用:R语言