ARIMA[自回归整合移动平均模型]

对未来进行预测和计算： AutoRegressive Integrated Moving Average[ARIMA,自回归整合移动平均模型]。 Box和Jenkins的ARIMA模型解析。 (‘76) - 中文

没有人能够真正看清楚未来， 然而，现代统计方法、计量经济模型和Business Intelligence[商业智能]软件在某种程度上已经能够帮助企业对未来进行预测。

ARIMA是AutoRegressive Integrated Moving Average的缩写，亦即自回归整合移动平均数。

ARIMA模型在做时间序列分析时，根据历史数据的变动规律，找出数据变动模型（移动平均数、周期成分），从而实现对未来的预测。 ARIMA模型问世于1960年代末，Box和Jenkins在1976年对该模型进行了系统阐述，所以该模型亦被称之为Box Jenkins模型。 ARIMA模型比其他的统计预测技术要复杂得多，但如果运用恰当的话，它不仅预测准确，而且灵活有度。
 

通过ARIMA模型，能够决定：

1. 过去的历史数据对下一个观测值贡献的大小（即加权长度）。
2. 权重。

例如 y (t) = 1/3 * y (t-3) + 1/3 * y (t-2) + 1/3 * y (t-1)， 又如 y (t) = 1/6 * y (t-3) + 4/6 * y (t-2) + 1/6 * y (t-1) 。

正确运用ARIMA模型，必须要找出滞后期的准确数字及其系数。
ARIMA模型通过自回归分析来确定其下属模型。
运用ARIMA模型，还必须确定各项参数，因为任何不平稳的成分（如脉冲、水平位移、实际的时间趋势）都可能对模型的正确性产生干扰。
 

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

参考书： Jeffrey Wooldridge - Introductory Econometrics: A Modern Approach -

自回归整合移动平均模型 论坛

添加新评论

自回归整合移动平均模型 小组

自回归整合移动平均模型 培训|活动

添加链接到此页面

将这段代码复制并粘贴到你的网页：

&n

更多？ 12manage高级服务包含更多相关资讯：         - 专业提示、管理资料 - 更多资讯         - 管理新闻、管理视频 - 更多资讯

比较： Regression Analysis[回归分析]  |  Dynamic Regression[动态回归]  |  Exponential Smoothing[指数平滑法]  |  Analytical CRM[分析型顾客关系管理]  |  Business Intelligence[商业智能]

返回到分类主页： 金融与投资  |  营销 

更多管理方法、模型和理论