檢視 ARIMA模型的原始碼

{| class="wikitable" align="right"
|-
|<center><img src=http://5b0988e595225.cdn.sohucs.com/images/20190606/b40f258e35ee406ab59149cdf905b42f.jpeg width="350"></center>
<small>[https://www.sohu.com/a/318962155_99944688 来自 搜狐网 的图片]</small>
|}

'''ARIMA模型'''是中国的一个科技名词术语。

汉字是世界上独一无二的方块字<ref>[https://www.sohu.com/a/532497362_121124287 科普 | 汉字为什么是“方块字”？]，搜狐，2022-03-25</ref>，是世界上最典雅、最俊美的文字。四角方方，大气承当。四平八稳，神州永昌。她讲究字体的间架结构，平衡布局。也讲求字形的沉稳厚重，大气端庄。横要平竖则直，切不可头重脚轻根底轻飘<ref>[https://www.sohu.com/a/301289431_799695 【传统之韵】汉字--最优秀的传统文化] ，搜狐，2019-03-14</ref>。

==名词解释==

ARIMA模型全称为自回归移动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出的一著名[[时间]][[序列]]预测方法，所以又称为box-jenkins模型、博克思-詹金斯法。其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归, p为自回归项; MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。

ARIMA模型的基本思想

ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。现代统计方法、计量经济模型在某种程度上已经能够帮助企业对未来进行预测。

ARIMA模型预测的基本程序

（一）根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。一般来讲，经济运行的时间序列都不是平稳序列。

（二）对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。

（三）根据时间序列模型的识别规则，建立相应的模型。若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序列适合AR模型；若平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合MA模型；若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合ARMA模型。

（四）进行参数估计，检验是否具有统计意义。

（五）进行假设检验，诊断残差序列是否为白噪声。

（六）利用已通过检验的模型进行预测分析。

==参考文献==
[[Category:800 語言學總論]]