自回归整合移动平均模型

自回归整合移动平均模型【自回归整合移动平均模型】自回归整合移动平均模型用于帮助企业对未来进行预测。
基本介绍中文名：自回归整合移动平均模型
功能：帮助企业对未来进行预测
注意：找出滞后期的準确数字及其係数
有助于：确定其下属模型
没有人能够真正看清楚未来，然而，现代统计方法、计量经济模型和Business Intelligence[商业智慧型]软体在某种程度上已经能够帮助企业对未来进行预测。ARIMA是AutoRegressive Integrated Moving Average的缩写，亦即自回归整合移动平均数。ARIMA模型在做时间序列分析时，根据历史数据的变动规律，找出数据变动模型（移动平均数、周期成分），从而实现对未来的预测。ARIMA模型问世于1960年代末，Box和Jenkins在1976年对该模型进行了系统阐述，所以该模型亦被称之为Box Jenkins模型。ARIMA模型比其他的统计预测技术要複杂得多，但如果运用恰当的话，它不仅预测準确，而且灵活有度。通过ARIMA模型，能够决定：过去的历史数据对下一个观测值贡献的大小（即加权长度）。权重。例如 y (t) = 1/3 * y (t-3) + 1/3 * y (t-2) + 1/3 * y (t-1)，又如 y (t) = 1/6 * y (t-3) + 4/6 * y (t-2) + 1/6 * y (t-1)。正确运用ARIMA模型，必须要找出滞后期的準确数字及其係数。ARIMA模型通过自回归分析来确定其下属模型。运用ARIMA模型，还必须确定各项参数，因为任何不平稳的成分（如脉冲、水平位移、实际的时间趋势）都可能对模型的正确性产生干扰。