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
未登录
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
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436,064个条目

ARMA模型

用手机看条目

出自 MBA智库百科(https://wiki.mbalib.com/)

ARMA模型(Auto-Regressive and Moving Average Model)

目錄

[隱藏]

ARMA模型概述

  ARMA 模型(Auto-Regressive and Moving Average Model)是研究時間序列的重要方法,由自回歸模型(簡稱AR模型)與滑動平均模型(簡稱MA模型)為基礎“混合”構成。在市場研究中常用於長期追蹤資料的研究,如:Panel研究中,用於消費行為模式變遷研究;在零售研究中,用於具有季節變動特征的銷售量市場規模的預測等。

ARMA模型三種基本形式[1]

  1.自回歸模型(AR:Auto-regressive);

  自回歸模型AR(p):如果時間序列yt滿足y_t=\phi_1 y_{t-1}+\ldots+\phi y_{t-p}+\epsilon_t

  其中εt是獨立同分佈的隨機變數序列,且滿足:

  Et) = 0  Var(\epsilon_t)=\sigma^2_\epsilon>0

  則稱時間序列為yt服從p階的自回歸模型。或者記為φ(B)yt = εt

  自回歸模型的平穩條件:

  滯後運算元多項式\phi (B)=1-\phi_1(B)+\ldots+\phi_p B_p的根均在單位圓外,即φ(B) = 0的根大於1。

  2.移動平均模型(MA:Moving-Average)

  移動平均模型MA(q):如果時間序列yt滿足y_t=\epsilon_t-\theta_1\epsilon_{t-1}-\ldots-\theta_q\epsilon_{t-q}

  則稱時間序列為yt服從q階移動平均模型;

  移動平均模型平穩條件:任何條件下都平穩。

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

  ARMA(p,q)模型:如果時間序列yt滿足:y_t=\theta_1y_{t-1}+\ldots+\theta_p y_{t-p}+\epsilon_t-\theta_1\epsilon_{t-1}-\theta_q\epsilon_{t-q}

  則稱時間序列為yt服從(p,q)階自回歸滑動平均混合模型。或者記為φ(B)yt = θ(Bt

  特殊情況:q=0,模型即為AR(p),p=0,模型即為MA(q),

ARMA模型的基本原理

  將預測指標隨時間推移而形成的數據序列看作是一個隨機序列,這組隨機變數所具有的依存關係體現著原始數據在時間上的延續性。一方面,影響因素的影響,另一方面,又有自身變動規律,假定影響因素為x1,x2,…,xk,由回歸分析

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

  其中Y是預測對象的觀測值, e為誤差。作為預測對象Yt受到自身變化的影響,其規律可由下式體現,

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

  誤差項在不同時期具有依存關係,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,獲得ARMA模型表達式:

  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

參考文獻

  1. 徐國祥,馬俊玲.《統計預測和決策》學習指導與習題[M].上海財經大學出版社.ISBN:7-81098-492-6.2005
本條目對我有幫助285
MBA智库APP

扫一扫,下载MBA智库APP

分享到:
  如果您認為本條目還有待完善,需要補充新內容或修改錯誤內容,請編輯條目投訴舉報

本条目由以下用户参与贡献

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

評論(共7條)

提示:評論內容為網友針對條目"ARMA模型"展開的討論,與本站觀點立場無關。
58.213.113.* 在 2007年12月4日 21:00 發表

在實際預測時,ut如何給出呢?

回複評論
124.234.121.* 在 2011年5月3日 21:46 發表

請問pq的值應如何獲得呢

回複評論
Yixi (討論 | 貢獻) 在 2011年5月4日 15:34 發表

124.234.121.* 在 2011年5月3日 21:46 發表

請問pq的值應如何獲得呢

內容已修正,附上參考文獻,希望對您有幫助!

回複評論
218.69.250.* 在 2011年12月17日 23:22 發表

124.234.121.* 在 2011年5月3日 21:46 發表

請問pq的值應如何獲得呢

可利用相關圖和偏自相關圖,也可利用AIC準則或BIC準則精確得到p和q的值。

回複評論
61.150.43.* 在 2013年12月28日 16:28 發表

有用,thank you.

回複評論
126.247.96.* 在 2016年5月25日 09:04 發表

ARMA的式子後半部分少了省略號吧

回複評論
210.26.113.* 在 2019年2月25日 15:26 發表

怎麼使用AIC準則

回複評論

發表評論請文明上網,理性發言並遵守有關規定。

打开APP

以上内容根据网友推荐自动排序生成

官方社群
下载APP
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