1、自回归模型(AR)
描述当前值与历史值之间的关系,用变量自身的历史时间数据对自身进行预测
自回归模型必须满足平稳性的要求

2、自回归模型的限制
自回归模型师用自身的数据来进行预测
必须具有平稳性
必须有自相关性,如果自相关系数小于0.5,则不宜采用
自回归只适用于预测与自身前期相关的现象
3、移动平均模型(MA)
移动平均模型关注的是自回归模型中的误差项的累加

4、自回归移动平均模型(ARMA)

只需要指定p,d,q几个参数就可以
5、ARIMA模型全称为差分自回归移动平均模型
(autoregressive integrated moving average model 简记为ARIMA)
1)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作的差分次数。
2)原理:
将非平稳时间序列转换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和滞后值进行回归所建立的模型。
6、自相关函数ACF(autocorrelation function)
1)有序的随机变量序列与其自身相比较自相关函数反映了同一序列在不同时序的取值之间的相关性。
图片中虚线是置信区间,一般取95%
横轴是阶数,纵轴是acf值
7、偏自相关函数(PACF)(partial autocorrelation function)

#安装模块 conda install statsmodel

8、如何确定模型和p,d,q

注:可能不止一组p,q
9、ARIMA建模流程
1)将序列平稳(差分法确定d)
2)p和q阶数确定(ACF与PACF)
3)ARIMA(p,d,q)
10、模型选择AIC与BIC:选择更简单的模型

让k最小
11、模型检查(残差检验)
1)ARIMA模型的残差是否是平均值为0且方差为常数的正态分布
2)QQ图:线性即正态分布

时间序列-ARIMA相关推荐

  1. R语言时间序列ARIMA新手教程

    R语言时间序列ARIMA新手教程 首先说一下ARMA回归的底层逻辑,所谓的AR模型和MA模型都是ARMA模型的一种特殊情况,有点类似正方形和长方形都是矩形.ARMA模型的表达式为: p为自回归部分的滞 ...

  2. 使用Python建立时间序列(ARIMA、MA、AR)预测模型

    文章内容整理自网上内容,作个人笔记分享使用,如有错误欢迎大家指正.o(`ω´ )o 文章目录 时间序列定义 1)数据导入和处理 2)数据格式转换 3)平稳性检验 2)KPSS 测试 消除趋势 移动平均 ...

  3. 机器学习——时间序列ARIMA模型(四):自相关函数ACF和偏自相关函数PACF用于判断ARIMA模型中p、q参数取值

    文章目录 1.自相关函数ACF 2.偏自相关函数PACF 3.ARIMA(p,d,q)的阶数判断 4.代码实现 1.引入所需依赖 2.数据读取与处理 3.一阶差分与绘图 4.ACF 5.PACF 1. ...

  4. 机器学习——时间序列ARIMA模型(一):差分法详解

    机器学习--时间序列ARIMA模型(一):差分法详解 一.所需数据的性质 平稳性 样本数据需随着时间序列而发生变化,且序列的均值和方差不发生明显变化. 预测出在未来的一段期间内数据顺着现有的" ...

  5. R语言-时间序列-arima模型-forecast、tseries包

    最近初步接触了下如何用R语言进行时间序列分析,自己动手写了段小代码. 首先呢是生成随机观测值,接着画出时间序列图,然后进行单根检验和用 ACF 和 PACF 指令分别画出自相关数和偏自相关系数图. 随 ...

  6. R语言 时间序列arima模型

    基本理论知识    ARMA模型称为自回归移动平均模型,是时间序列里常用的模型之一.ARMA模型是对不含季节变动的平稳序列进行建模.它将序列值表示为过去值和过去扰动项的加权和.模型形式如下: yt=c ...

  7. Python数据分析案例-分别使用时间序列ARIMA、SARIMAX模型与Auto ARIMA预测国内汽车月销量

    1. 前言 模型: 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 ...

  8. 机器学习(五)——时间序列ARIMA模型

    ARIMA模型 平稳性:  平稳性就是要求经由样本时间序列所得到的拟合曲线  在未来的一段期间内仍能顺着现有的形态"惯性"地延续下去 平稳性要求序列的均值和方差不发生明显变化 严平 ...

  9. python分析每月销售数据_时间序列ARIMA模型详解:python实现店铺一周销售量预测...

    顾名思义,时间序列是时间间隔不变的情况下收集的时间点集合.这些集合被分析用来了解长期发展趋势,为了预测未来或者表现分析的其他形式.但是是什么令时间序列与常见的回归问题的不同? 有两个原因: 1.时间序 ...

最新文章

  1. 剑指offer23:从上到下打印二叉树
  2. 【bzoj2242】[SDOI2011]计算器 EXgcd+BSGS
  3. Android Drawable 转化成 Bitmap
  4. Raw_Socket原始套接字
  5. python绘制表格界面_python 读取 excel 生成 html 页面
  6. android开发中EditText自动获取焦点时隐藏hint的代码
  7. day18-基于DjangoORM的外键实现增加用户(含select标签)
  8. 藏的太深!原来支付宝还有另一个“集福”活动
  9. 计算机视觉实战(十)图像特征harris角点检测(附完整代码)
  10. 《中國哲學書電子化計劃》網頁文本處理[Word VBA]
  11. 删除Windows10在语言栏出现“未知区域设置(qaa-latn)”
  12. fabric ca 使用案例
  13. 转://Oracle 11gR2 硬件导致重新添加节点
  14. 灭霸打了一个响指,我就学会了C语言的「分支与循环语句」
  15. 数据结构:10大经典排序
  16. 今日金融词汇---定量分析
  17. 使用log4j2,控制台可以正常输出日志,但是log4j2日志文件为空?
  18. 苹果Mac允许安装未知来源的应用
  19. Qt编写主界面顶部和左侧导航
  20. 自动打电话服务器,MIUI v4 自己架设SIP服务器 让打电话不要钱!(申精)

热门文章

  1. 开发者 发展 5 热情
  2. 凤凰网股票数据定向爬虫——改编自北京理工大学嵩天老师的课程实例
  3. python图片合成海报
  4. finalshell root文件夹打不开
  5. 高效团队建设与管理 学习心得
  6. 台式计算机截图快捷键,电脑截屏的快捷键是什么
  7. Windows操作系统截屏快捷键
  8. 模拟量的输入和输出问题及选型
  9. 关于睡眠,你需要了解的3件事
  10. html日历页面节假日_html+css+js实现一个简易日历