ARIMA差分自回归移动平均模型--时间序列预测

ARIMA差分自回归移动平均模型

  • 1、ARIMA模型理论基础
  • 2、ARIMA建模步骤
  • 3、ARIMA建模实战
    • 3.1 导入模块
    • 3.2 加载数据
    • 3.3 平稳性检验
    • 3.4 单位根检验
    • 3.4 白噪声检验
    • 3.5 模型定阶
    • 3.6 参数估计
    • 3.7 模型的显著性检验
    • 3.8 模型预测
    • 3.8 模型拟合效果展示
  • 参考文献
    • 论文:
    • 文章:

1、ARIMA模型理论基础

  ARIMA是差分自回归移动平均模型的引文缩写,其中AR表示的是自回归模型,MA表示的是移动平均模型,I表示的是差分。一般写成ARIMA(p,d,q),p是自回归阶数,q是移动平均阶数,d表示差分的次数。

  它针对的是 平稳的时间序列模型.然而在现实生活中绝大多 数时间序列都是非平稳的。因此可以对数据进行差分,使其转化为平稳的时间序列,再用 ARIMA模型对其数据进行建模和预测。

  ARIMA模型是根据过去不同时期数据的相关性,可以进行有效和精准的短期预测,它弥补了AR和MA进行预测出现的参数过多问题,在短期预测领域具有广泛的应用。

  模型具体的数学表达式为:
X t = φ

你可能感兴趣的:(数据挖掘与机器学习,回归,python,数据挖掘,时间序列分析,机器学习)