文章插图
ARIMA模型【ARIMA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（移动也可称作滑动），时间序列预测分析方法之一 。ARIMA（p，d，q）中，AR是"自回归"，p为自回归项数；MA为"滑动平均"，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数） 。“差分”一词虽未出现在ARIMA的英文名称中，却是关键步骤 。
基本介绍中文名：ARIMA模型
外文名：Autoregressive Integrated Moving Average model
特点：预测对象随时间推移
特点：企业对未来进行预测
模型：计量经济模型
简介ARIMA模型（英语：AutoregressiveIntegratedMovingAverage 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（移动也可称作滑动），时间序列预测分析方法之一 。ARIMA（p，d，q）中，AR是"自回归"，p为自回归项数；MA为"滑动平均"，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数） 。“差分”一词虽未出现在ARIMA的英文名称中，却是关键步骤 。ARIMA（p，d，q）模型是ARMA（p，q）模型的扩展 。ARIMA（p，d，q）模型可以表示为：
文章插图
其中L是滞后运算元（Lag operator），
文章插图
模型特点不直接考虑其他相关随机变数的变化
ARIMA模型运用的流程
- 根据时间序列的散点图、自相关函式和偏自相关函式图识别其平稳性 。
对非平稳的时间序列数据进行平稳化处理 。直到处理后的自相关函式和偏自相关函式的数值非显着非零 。
根据所识别出来的特徵建立相应的时间序列模型 。平稳化处理后，若偏自相关函式是截尾的，而自相关函式是拖尾的，则建立AR模型；若偏自相关函式是拖尾的，而自相关函式是截尾的，则建立MA模型；若偏自相关函式和自相关函式均是拖尾的，则序列适合ARMA模型 。
参数估计，检验是否具有统计意义 。
假设检验，判断（诊断）残差序列是否为白噪声序列 。
利用已通过检验的模型进行预测 。
向量自回归模型（VAR模型）
自回归滑动平均模型（ARMA模型）
格兰杰因果关係（Granger Causality）