没有合适的资源?快使用搜索试试~ 我知道了~
ARIMA时间序列建模过程——原理及python实现资料.pdf
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 44 浏览量
2021-11-24
01:50:32
上传
评论
收藏 24KB PDF 举报
温馨提示
试读
7页
ARIMA时间序列建模过程——原理及python实现资料.pdf
资源推荐
资源详情
资源评论
ARIMA 时间序列建模过程——原理及 python 实现
ARIMA 模型的全称叫做自回归查分移动平均模型,全称是 (ARIMA,
Autoregressive Integrated Moving Average Model) ,是统计模型
(statistic model) 中最常见的一种用来进行时间序列预测的模型, AR、
MA 、ARMA 模型都可以看作它的特殊形式。
1. ARIMA 的优缺点
优点:模型十分简单,只需要内生变量而不需要借助其他外生变量。
缺点:要求时序数据是稳定的( stationary ),或者是通过差分化
(differencing) 后是稳定的 ; 本质上只能捕捉线性关系, 而不能捕捉非线
性关系。
2. ARIMA 的参数与数学形式
ARIMA 模型有三个参数 :p,d,q 。
p-- 代表预测模型中采用的时序数据本身的滞后数 (lags) ,也叫做
AR/Auto-Regressive 项;
d-- 代表时序数据需要进行几阶差分化, 才是稳定的,也叫Integrated 项;
q-- 代表预测模型中采用的预测误差的滞后数 (lags),也叫做 MA/Moving
Average 项。
差分:假设 y表示t时刻的 Y的差分。
if d=0, yt=Yt, if d=1, yt=Yt - Yt- 1, if d=2, yt=(Yt - Yt- 1)- (Yt- 1- Yt
- 2)=Yt - 2Yt- 1+Yt - 2
ARIMA 的预测模型可以表示为:
Y的预测值 = 白噪音 +1 个或多个时刻的加权 +一个或多个时刻的预测
误差。
假设p,q,d已知,
资源评论
cyh76339129
- 粉丝: 1
- 资源: 14万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功