【时间序列】AR、MA、ARMA与ARIMA
AR、MA、ARMA与ARIMA
题目中的几种模型,都是寻找时间序列上当前时刻的数值与之前时刻对应数据或扰动之间的内部关系,通过训练模型,从而达到预测的目的。
P阶-自回归模型
(AR)
Auto Regression
自回归和传统线性回归
传统线性回归是探究因变量与自变量之间的关系。
而自回归(AR)是处理一组杂乱数据内部之间关联的回归模型。
适用条件
当前时刻的数值与之前时刻对应数值有关,但与之前时刻的扰动无关。(有关指数据内部有相关关系)
需先判断是否平稳
自回归模型并不都是平稳的,对于不平稳的自回归模型来讲,误差较大。因此需要先判断训练好的自回归模型是否是平稳模型。
判断平稳的方法:自回归模型平稳的等价条件是自回归模型自回归系数多项式的根都在单位圆以外。
Q阶-移动平均模型
(MA)
Moving Average
适用条件
当前时刻的数值与之前每个时刻的值无关,但与之前时刻的扰动有关。
不需判断是否平稳
移动平均模型都是平稳的。
自回归移动平均模型
(ARMA)
Auto Regression Moving Average
与AR、MA联系
ARMA是AR和MA的有机组合,而AR和MA是ARMA的特殊情况。
适用条件
ARMA是用来处理时间序列通过预处理之后为平稳非白噪声序列的数据。
平稳与否取决于AR是否平稳。
是否为白噪音取决于残差项是否为白噪音。(残差项为白噪音,也就是说残差项中不包含任何相关信息,此时为好的。)
模型输入输出
输入:平稳非白噪音序列
输出:训练好的模型(训练)/ 预测值
模型流程
ARMA的流程大致为:输入进去已经经过预处理好的平稳非白噪声序列,再进行ARMA的建模。
第一步:求出该序列的ACF(样本自相关系数)和PACF(样本偏自相关系数)
第二步:利用求出来的ACF和PACF进行ARMA模式识别,模式识别即【定阶】。
第三步:参数估计,即【定参】。
第四步:模型检验,分为两个阶段。
①模型显著性检(残差序列的白噪音检验)—最主要的一步,为了看残差值是否为白噪音。
模型是否显著有效,主要看它所提取的信息是否充分,即残差值中不再包含任何相关信息,即为白噪音。
②参数显著性检验——为了模型更加精简,看每一时刻前的参数有无为零的参数,有则去除掉该自变量。
此时,如果模型检验未通过(我的理解是残差序列不是白噪音即为未通过),则再次进行模型识别,重新定阶、定参,直到模型检验通过。
第五步:模型优化,将通过模型检验的模型保留,并多次重新进行定阶、定参,以此来得到多个能够通过模型检验的模型,按照AIC准则择优得到最终模型。【AIC准则】模型未知参数的个数和拟合精度(似然函数值)的综合最优配置。
第六步:通过择优出来的模型进行预测。
求和自回归移动平均模型
(ARIMA)
Moving Average
与ARMA的联系
ARIMA是ARMA模型与差分运算的组合。
适用条件
差分运算如果能够将非平稳数据转换成平稳数据,则可以继续用ARMA模型进行模型的拟合。
因为我们拿到的数据大多是非平稳数据,而ARIMA又能够对非平稳时间序列进行模型拟合,所以ARIMA应用的较为广泛。
—END—
往期精彩回顾适合初学者入门人工智能的路线及资料下载中国大学慕课《机器学习》(黄海广主讲)机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载本站qq群955171419,加入微信群请扫码:
【时间序列】AR、MA、ARMA与ARIMA相关推荐
- 数据分析技术:时间序列分析的AR/MA/ARMA/ARIMA模型体系
基础准备 前面草堂君已经按照时间序列分析的教学顺序推送了以下文章,大家可以直接点击下方文章名称阅读回顾: 数据分析技术:时间序列分析:时间是把杀猪刀: SPSS分析技术:时间序列描述:磨刀不误砍柴工, ...
- 异常检测:综述(基本都是无监督算法)【时间序列算法:AR/MA/ARMA】【传统机器学习算法:孤独森林、One Class SVM】【深度学习算法:AutoEncoder、LSTM、DeepLog】
一.什么是异常值? 在机器学习中,异常检测和处理是一个比较小的分支,或者说,是机器学习的一个副产物,因为在一般的预测问题中,模型通常是对整体样本数据结构的一种表达方式,这种表达方式通常抓住的是整体样本 ...
- QuantitativeFinance:量化金融之金融时间序列分析之ES/ETS/GARCH模型的简介、Box-Jenkins方法-AR/MA/ARMA/ARIMA模型的简介及其建模四大步骤之详细攻略
QuantitativeFinance:量化金融之金融时间序列分析之ES/ETS/GARCH模型的简介.Box-Jenkins方法-AR/MA/ARMA/ARIMA模型的简介及其建模四大步骤之详细攻略 ...
- 利用图示法判别AR,MA,ARMA,ARIMA模型平稳性
要拟合一个平稳序列的发展,用来拟合的模型显然也应该是平稳的.AR模型是常用的平稳序列的拟合模型之一,但并非所有的AR模型都是平稳的. R提供了多种序列拟合函数,每种函数各有利弊.我们介绍两种最常用的序 ...
- 【Python数据分析】时间序列分析——AR/MA/ARMA/ARIMA
目录 一.时间序列的平稳性与差分法 1.时间序列的平稳性: 2.平稳性检验 3.纯随机性检验 4.差分法 二.平稳时间序列模型 1.AR模型 2.MR模型 3.ARMA模型 4.平稳时间序列建模步骤 ...
- 时间序列预测之ARMA、ARIMA序列及季节性序列matlab实现
ARMA是一种平稳时间序列模型,即均值和协方差不随时间的平移而改变. ARMA有三种类型 AR序列 MA序列 ARMA序列 但是由于ARMA只能处理平稳序列,而现实中的问题往往有趋势性或周期性等.为了 ...
- AR模型、MA(Moving Average)模型、ARMA模型、时间序列的定阶、ARIMA、SARIMAX
AR模型.MA(Moving Average)模型.ARMA模型.时间序列的定阶.ARIMA.SARIMAX 目录 AR模型.MA(Moving Average)模型.ARMA模型.时间序列的定阶.A ...
- 时间序列模型——AR、MA、ARMA、ARIMA
这里写目录标题 时间序列模型 自回归模型 差分与非平稳序列 差分 检验不平稳 移动平均模型 移动平均法 MA模型 ARMA模型 ARIMA 建模方法 时间序列模型 常用的时间序列模型有四种:自回归模型 ...
- 时间序列分析之AR、MA、ARMA和ARIMA模型
如果一个时间序列经过平稳性检验后得到是一个平稳非白噪声序列,那么该序列中就蕴含着相关性的信息. 在统计学中,通常是建立一个线性模型来拟合该时间序列的趋势.其中,AR.MA.ARMA以及ARIMA都是较 ...
最新文章
- 计算机基本组成: 触发器
- 基于QTcpSocket和QTcpServer的Tcp通讯以及QDataStream序列化数据
- go mysql 乱码_MySQL 乱码之我见
- C/C++程序员必须熟悉的开源库
- php $db-gt;query 行数,php – 如何在CodeIgniter中组合query()和limit()方法
- 在控制台打印半径为R的圆
- 内容分发系统MediaEW:助新闻媒体转投HTML5
- opencv 学习第三课 画线段 圆 椭圆 矩形 多边形 插入文字 代码注释版 保证你每一行都能读懂
- 哪个邮箱域名好?域名是永久的吗?
- 树莓派开发笔记(十):Qt读取ADC模拟量电压(ADS1115读取电压模拟量)
- 从表征到行动---意向性的自然主义进路(续三)
- 字符设备驱动应用---LED设备驱动实现
- Kruskal算法的应用
- Java爬虫之批量下载LibreStock图片(可输入关键词查询下载)
- VBA(14)排序Sort
- 【软件质量保证与测试】2.4软件测试与软件开发的关系
- 移动直播明争暗战五年:人性、梦想与资本的碰撞
- Tekla钢结构二次开发 第5节正交梁、螺旋梁以及工作平面
- STM32CubeMX下载和使用
- Python有哪些应用?学完Python能做什么工作?