亲爱的MBA智库百科用户：

过去的17年，百科频道一直以免费公益的形式为大家提供知识服务，这是我们团队的荣幸和骄傲。然而，在目前越来越严峻的经营挑战下，单纯依靠不断增加广告位来维持网站运营支出，必然会越来越影响您的使用体验，这也与我们的初衷背道而驰。因此，经过审慎地考虑，我们决定推出VIP会员收费制度，以便为您提供更好的服务和更优质的内容。

MBA智库百科VIP会员，您的权益将包括： 1、无广告阅读； 2、免验证复制。

当然，更重要的是长期以来您对百科频道的支持。诚邀您加入MBA智库百科VIP会员，共渡难关，共同见证彼此的成长和进步！

MBA智库百科项目组

2023年8月10日

百科VIP

无广告阅读

免验证复制

1年VIP

¥ 9.9

支付方式：

微信支付

支付宝

PayPal

购买数量：

1

应付金额：

9.9元

汇率换算：

1.32

美元(USD)

美元(USD)
加元(CAD)
日元(JPY)
英镑(GBP)
欧元(EUR)
澳元(AUD)
新台币(TWD)
港元(HKD)
新加坡(SGD)
菲律宾(PHP)
泰铢(THB)

按当月汇率换算，

包含手续费

打开手机微信扫一扫继续付款

立即开通

PayPal支付后，可能会遇到VIP权益未及时开通的情况，请您耐心等待，或者联系百科微信客服：mbalib888。

温馨提示：当无法进去支付页面时，可刷新后重试或更换浏览器
开通百科会员即视为同意《MBA智库·百科会员服务规则》

支付成功

全球专业中文经管百科，由121,994位网友共同编写而成，共计436,072个条目

查看

工具箱▼

ARMA模型

用手机看条目

出自 MBA智库百科(https://wiki.mbalib.com/)

(重定向自ARMA)

ARMA模型（Auto-Regressive and Moving Average Model）

目录

1 ARMA模型概述
2 ARMA模型三种基本形式[1]
3 ARMA模型的基本原理
4 参考文献

ARMA模型概述

　　ARMA 模型（Auto-Regressive and Moving Average Model）是研究时间序列的重要方法，由自回归模型（简称AR模型）与滑动平均模型（简称MA模型）为基础“混合”构成。在市场研究中常用于长期追踪资料的研究，如：Panel研究中，用于消费行为模式变迁研究；在零售研究中，用于具有季节变动特征的销售量、市场规模的预测等。

ARMA模型三种基本形式^[1]

　　1.自回归模型（AR：Auto-regressive）；

　　自回归模型AR(p)：如果时间序列 $y t$ 满足 $y_t=\phi_1 y_{t-1}+\ldots+\phi y_{t-p}+\epsilon_t$

　　其中 $ε t$ 是独立同分布的随机变量序列，且满足：

　　 $E (ε t) = 0$ 　　 $Var(\epsilon_t)=\sigma^2_\epsilon>0$

　　则称时间序列为 $y t$ 服从p阶的自回归模型。或者记为 $φ(B) y t = ε t$ 。

　　自回归模型的平稳条件：

　　滞后算子多项式 $\phi (B)=1-\phi_1(B)+\ldots+\phi_p B_p$ 的根均在单位圆外，即 $φ(B) = 0$ 的根大于1。

　　2.移动平均模型（MA：Moving-Average）

　　移动平均模型MA(q):如果时间序列 $y t$ 满足 $y_t=\epsilon_t-\theta_1\epsilon_{t-1}-\ldots-\theta_q\epsilon_{t-q}$

　　则称时间序列为 $y t$ 服从q阶移动平均模型；

　　移动平均模型平稳条件：任何条件下都平稳。

　　3.混合模型（ARMA：Auto-regressive Moving-Average）

　　ARMA(p,q)模型：如果时间序列 $y t$ 满足： $y_t=\theta_1y_{t-1}+\ldots+\theta_p y_{t-p}+\epsilon_t-\theta_1\epsilon_{t-1}-\theta_q\epsilon_{t-q}$

　　则称时间序列为 $y t$ 服从(p,q)阶自回归滑动平均混合模型。或者记为 $φ(B) y t = θ(B)ε t$

　　特殊情况：q=0，模型即为AR(p)，p=0，模型即为MA(q)，

ARMA模型的基本原理

　　将预测指标随时间推移而形成的数据序列看作是一个随机序列，这组随机变量所具有的依存关系体现着原始数据在时间上的延续性。一方面，影响因素的影响，另一方面，又有自身变动规律，假定影响因素为x1，x2，…，xk，由回归分析，

　　 $Y=\beta_0+\beta_1 x_1+\beta_2 x_2+\ldots+\beta_k x_k+e$

　　其中Y是预测对象的观测值， e为误差。作为预测对象Yt受到自身变化的影响，其规律可由下式体现，

　　 $Y_t=\beta_0+\beta_1 x_{t-1}+\beta_2 x_{t-2}+\ldots+\beta_p x_{t-p}+e_t$

　　误差项在不同时期具有依存关系，由下式表示，

　　 $e_t=\alpha_0+\alpha_1 e_{t-1}+\alpha_2 e_{t-2}+\ldots+\alpha_q e_{t-q}+\mu_t$

　　由此，获得ARMA模型表达式：

　　 $Y_t=\beta_0+\beta_1 x_{t_1}+\beta_2 x_{t-2}+\ldots+\beta_p x_{t-q}+\alpha_0+\alpha_1 e_{t-1}\alpha_2 e_{t-2}+\ldots+\alpha_q e_{t-q}+\mu_t$

参考文献

↑ 徐国祥,马俊玲.《统计预测和决策》学习指导与习题[M].上海财经大学出版社.ISBN:7-81098-492-6.2005

来自"https://wiki.mbalib.com/wiki/ARMA%E6%A8%A1%E5%9E%8B"

打开MBA智库App, 阅读完整内容打开App

如果您认为本条目还有待完善，需要补充新内容或修改错误内容，请编辑条目或投诉举报。

本条目相关课程

动力管理：让下属能“成事”的系统策略与方法

胡浩

¥299

做知人善任的教练式管理者，让管理也能轻松简单化

劳建民

¥49.9 ¥199

《销售之美》系统销售力之销售技能

王蒙

¥99

精益管理实战式提升方法，认知、方法、工具一课就够

黄镜贤

¥99 ¥199

本条目由以下用户参与贡献

Angle Roh,funwmy,Zfj3000,Dan,Guaigui,Yixi,Lin.

页面分类: 决策模型

评论(共7条)

提示:评论内容为网友针对条目"ARMA模型"展开的讨论，与本站观点立场无关。

58.213.113.* 在 2007年12月4日 21:00 发表

在实际预测时，ut如何给出呢？

回复评论

124.234.121.* 在 2011年5月3日 21:46 发表

请问pq的值应如何获得呢

回复评论

Yixi (Talk | 贡献) 在 2011年5月4日 15:34 发表

124.234.121.* 在 2011年5月3日 21:46 发表

请问pq的值应如何获得呢

内容已修正，附上参考文献，希望对您有帮助！

回复评论

218.69.250.* 在 2011年12月17日 23:22 发表

124.234.121.* 在 2011年5月3日 21:46 发表

请问pq的值应如何获得呢

可利用相关图和偏自相关图，也可利用AIC准则或BIC准则精确得到p和q的值。

回复评论

61.150.43.* 在 2013年12月28日 16:28 发表

有用,thank you.

回复评论

126.247.96.* 在 2016年5月25日 09:04 发表

ARMA的式子后半部分少了省略号吧

回复评论

210.26.113.* 在 2019年2月25日 15:26 发表

怎么使用AIC准则

回复评论

发表评论请文明上网，理性发言并遵守有关规定。

以上内容根据网友推荐自动排序生成

官方社群

告MBA智库百科用户的一封信

亲爱的MBA智库百科用户：过去的17年，百科频道一直以免费公益的形式为大家提供知识服务，这是我们团队的荣幸和骄傲。然而，在目前越来越严峻的经营挑战下，单纯依靠不断增加广告位来维持网站运营支出，必然会越来越影响您的使用体验，这也与我们的初衷背道而驰。因此，经过审慎地考虑，我们决定推出VIP会员收费制度，以便为您提供更好的服务和更优质的内容。 MBA智库百科VIP会员（9.9元 / 年，点击开通），您的权益将包括： 1、无广告阅读； 2、免验证复制。当然，更重要的是长期以来您对百科频道的支持。诚邀您加入MBA智库百科VIP会员，共渡难关，共同见证彼此的成长和进步！

MBA智库百科项目组

2023年8月10日

闽公网安备 35020302032707号

添加收藏

新建收藏夹

编辑收藏夹

20

公开（该收藏夹未来有关注者后，将无法设为私密）

私密（仅自己可见）