← 返回起始笔记位置

知识卡片

普通读书笔记卡 · 9752.f · 生成模型:DeepSeek-V4.1-Flash

ARIMA三参数各管什么

理解等级:中级

三个字母各管一件事 - p:自回归项数。用过去 p 期的观测值线性组合解释当前值,刻画水平本身的惯性。 - d:差分次数。把非平稳序列变成平稳序列的预处理步数,对应名称里的“求和/集成”——差分 d 次,等价于对 d 阶差分序列求和还原。 - q:移动平均项数。用过去 q 期的随机冲击解释当前值,刻画意外事件的余波。

分工很清楚:d 处理趋势,是模型可用的前提;p 与 q 处理剩下的自相关结构,一个用观测值,一个用冲击。ARMA(p,q) 就是 d 等于 0 的 ARIMA,所以 ARIMA 并非全新模型,而是给 ARMA 加了一层差分外壳。

季节扩展:(p,d,q)×(P,D,Q)s 在普通项之外再叠一组季节项,s 是季节周期,月度取 12、周度取 52、日度取 7。汽油产量的 (0,1,1)×(1,0,0)12 表示一次普通差分、一个普通 MA(1)、一个周期 12 的季节 AR(1),没有季节差分。季节部分通常先处理,再看残差决定非季节部分。

常见误读:p、q 越大不代表模型越好,阶数越高参数越多、越易过拟合;而 d 大于 0,正是该用 ARIMA 而非 ARMA 的场合。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第8章 高级分析理论与方法:时间序列分析 · 查看原书依据

      因为经常需要让一个时间序列成为平稳的,因此可以通过定义自回归求和移动平均模型(表示为ARIMA(p,d,q)),将差分包含(集成)到ARMA模型中。ARIMA模型的结构与公式8-15中的表达式相同,但是在应用了d次差分之后,ARMA(p,q)模型才能应用到时间序列yt 上。

    参考来源

    - 位置:《数据科学与大数据分析 数据的发现 分析 可视化与表示》第8章 高级分析理论与方法:时间序列分析(源文件:extracted/数据科学与大数据分析 数据的发现 分析 可视化与表示/_epub-src/text/part0018_split_002.html) - 结论依据:依据 8.2.4 对 ARMA 与 ARIMA 关系的定义、季节 ARIMA 的记号与 s 取值,以及 8.2.5 中 (0,1,1)×(1,0,0)12 的解读。 - 原始内容:因为经常需要让一个时间序列成为平稳的,因此可以通过定义自回归求和移动平均模型(表示为ARIMA(p,d,q)),将差分包含(集成)到ARMA模型中。ARIMA模型的结构与公式8-15中的表达式相同,但是在应用了d次差分之后,ARMA(p,q)模型才能应用到时间序列yt 上。