ARIMA

Het voorspellen en inschatten van de toekomst: Autoregressief Geïntegreerd Bewegend Gemiddelde. Verklaring van ARIMA van Box and Jenkins. ('76) - Nederlands

Niemand kan echt in de toekomst kijken. Maar moderne statistische methodes, econometrische modellen, en Business Intelligence software kunnen ondernemingen in zekere mate helpen te voorspellen en in te schatten wat er in de toekomst gaat gebeuren.

ARIMA betekent Autoregressief Geïntegreerd Bewegend Gemiddelde.

De ARIMA tijdseries analyse gebruikt vertragingen en verschuivingen in historische gegevens om patronen (b.v. bewegende gemiddelden, seizoengevoeligheid) te ontdekken en te voorspellen. Het ARIMA model werd voor het eerst ontwikkeld in de jaren '60, maar werd gesystematiseerd door Box and Jenkins in 1976. ARIMA kan wat complexer zijn om te gebruiken dan andere statistische voorspellingstechnieken, maar als ARIMA goed wordt uitgevoerd kan ARIMA vrij krachtig en flexibel zijn.

ARIMA is een methode om twee dingen te bepalen:

Hoeveel van het verleden zou moeten worden gebruikt om de volgende observatie te voorspellen (lengte van gewichten)
De waarden van de gewichten.

Bijvoorbeeld: y (t) = 1/3 * y (t-3) + 1/3 * y (T2) + 1/3 * y (t-1) is een ARIMA model; een ander ARIMA model is: y (t) = 1/6 * y (t-3) + 4/6 * y (T2) + 1/6 * y (t-1)

Zoals beschreven vereist een goed ARIMA model de identificatie van het juiste aantal vertragingen en coëfficiënten dat zou moeten worden gebruikt.
De ARIMA modelidentificatie gebruikt autoregressies om het onderliggende model te identificeren.
Er moet voor worden opgepast om de parameters adequaat te identificeren en in te schatten, omdat uitlopers (impulsen, niveauverschuivingen, lokale tijdtendensen) grote afwijkingen kunnen veroorzaken.

Boek: Alan Pankratz - Forecasting with Univariate Box Jenkins Models: Concepts and Cases -