利用时间序列分析和统计分析解释数据并对未来进行预测
自回归综合移动平均(ARIMA)模型利用时间序列数据和统计分析来解释数据并对未来进行预测。ARIMA模型的目的是通过使用时间序列数据的过去值和用途来解释数据线性回归做出预测。
以下描述性首字母缩略词解释了ARIMA模型每个关键组成部分的含义:
每个AR、I和MA组件都作为a包含在模型中参数.参数被指定为特定的整数值,表示ARIMA模型的类型。ARIMA参数的通用表示法如下所示并解释:
华宇电脑(p d q)
参数接受整数的值,必须为模型的工作定义参数。它们也可以取0的值,这意味着它们不会在模型中使用。这样,ARIMA模型可以转化为:
因此,ARIMA模型可以定义为:
一旦参数(p d q)的定义,ARIMA模型的目的是估计系数α而且θ,这是利用之前的数据点预测值的结果。
在商业和金融领域,ARIMA模型可用于基于历史数据预测未来的数量(甚至价格)。因此,要使模型可靠,数据必须是可靠的,并且必须显示收集数据的时间跨度相对较长。以下是ARIMA模型在商业上的一些应用:
ARIMA模型可以在数据分析和数据科学软件中创建,如R和Python.
尽管ARIMA模型可以在适当的条件和数据可用性下高度准确和可靠,但该模型的一个关键限制是参数(p d q)需要手动定义;因此,找到最精确的匹配可能是一个漫长的试错过程。
同样,该模型高度依赖于历史数据的可靠性和数据的差异性。重要的是要确保在很长一段时间内准确地收集数据,这样模型才能提供准确的结果和预测。
感谢您阅读CFI的自回归综合移动平均(ARIMA)指南。要想继续学习和发展你的职业生涯,以下资源将会很有帮助: