ARIMA[自回归整合移动平均模型]

知识中心



摘要,论坛,最佳做法,专家提示和信息来源。


总结

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。


ARIMAAutoRegressive 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 -


小组

加入

自回归整合移动平均模型 小组。



小组 (4名成员)

论坛

新主题

自回归整合移动平均模型论坛。


What is Moving Average?
What is the moving average and how can we calculate this? (...)
3
 
1个反应
ARIMA model or Time Fourier series
The ARIMA model is a useful model, but sometimes not precise enough. An interesting application for phenomenons belie (...)
3
 
1个反应
Combining the ARIMA model with a Nonlinear or Regression Model
I think even if we develop the best ARIMA model there will surely be some amount of error. If we develop a nonlinear or (...)
3
 
0个反应
最佳实践

注册

关于自回归整合移动平均模型的最高评价的讨论主题。在这里你会找到最有价值的思路和切实可行的建议。


专家提示

注册

关于ARIMA(英语)的高级见解。在这里,您将找到专家的专业建议。


信息来源

注册

有关自回归整合移动平均模型的各种信息来源。在这里,您将找到Powerpoint,视频,新闻等可用于您自己的讲座和讲习班。


新闻视频简报书比人好更多

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

小组

您对感兴趣吗自回归整合移动平均模型?免费注册

通知你的学生

将此复制到您的学习资料中:

并添加超链接至:

链接到该知识中心

将此HTML代码复制到您的网站:

 


关于12manage | 广告服务 | 链接到我们/引用我们 | 隐私 | 建议 | 服务条款
© 2021 12manage - The Executive Fast Track. V15.7 - 最后更新:23-1-2021。所有名称™它们的主人的。