ARIMA模型
维基百科，自由的百科全书
ARIMA模型，差分自回归滑动平均模型(滑动也译作移动)，又称求合自回归滑动平均模型，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)。
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：
其中L 是滞后算子（Lag operator），
[编辑] 模型特点
- 不直接考虑其他相关随机变量的变化
[编辑] ARIMA模型运用的流程
- 根据时间序列的散点图、自相关函数和偏自相关函数图识别其平稳性。
- 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数和偏自相关函数的数值非显著非零。
- 根据所识别出来的特征建立相应的时间序列模型。平稳化处理后，若偏自相关函数是截尾的，而自相关函数是拖尾的，则建立AR模型；若偏自相关函数是拖尾的，而自相关函数是截尾的，则建立MA模型；若偏自相关函数和自相关函数均是拖尾的，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。
