导图社区 ARIMA模型(下)
ARIMA模型通常涉及到使用统计方法和数学模型来分析和预测时间序列数据。通过将数据分解成过去的依赖项和随机的误差项,ARIMA模型能够基于过去的模式预测未来的趋势。这些模型广泛应用于金融市场分析、经济预测、销售预测等领域。 让我们续接上节内容,本节主要讲述的是模型的建立流程及评估方法。
深入浅出数据库:一份思维导图格式的学习笔记是否在寻找一份既系统又易于理解的数据库学习资料?我们精心制作的数据库概述学习笔记以思维导图的形式呈现,帮助您迅速掌握关键概念。内容亮点:数据库与数据库管理系统:了解数据库的基本概念及其与数据库管理系统(DBMS)的关系。关系型与非关系型数据库:深入探讨这两种数据库类型的区别、优缺点及适用场景。关系型数据库设计规则:掌握设计高效、稳定的关系型数据库的基本原则和最佳实践。
ARIMA模型是时间序列分析中的一个重要工具,它由自回归部分,差分部分和移动平均部分组成。通过ARIMA模型,我们可以对具有时间相关性的数据进行建模和预测。这种模型在金融市场预测,气候变化预测等领域都有广泛应用。 本节整理记录的模型数据的清洗处理、特征的选择、模型的公式及定义,下节敬请期待。
社区模板帮助中心,点此进入>>
《影响力》思维导图
论语孔子简单思维导图
《傅雷家书》思维导图
《童年》读书笔记
《茶馆》思维导图
《朝花夕拾》篇目思维导图
《昆虫记》思维导图
《安徒生童话》思维导图
《鲁滨逊漂流记》读书笔记
《这样读书就够了》读书笔记
ARIMA模型(下)
相关函数评估方法
自相关函数ACF
有序的随机变量序列与其自身相比较,自相关函数反映了同一序列在不同时序的取值之间的相关性;
公式:
Pk的取值范围为[-1,1];
偏自相关函数(PACF)
对于一个平稳AR(p)模型,求出滞后k自相关系数p(k)时实际上得倒并不是x(t)与x(t-k)之间单纯的相关关系;
x(t)同时还会受到中间k-1个随机变量x(t-1)、x(t-2)、...、x(t-k-1)的影响,而这k-1个随机变量又都和x(t-k)具有相关关系,所以自相关系数p(k)里实际掺杂了其他变量对x(t)与x(t-k)的影响;
剔除了中间k-1个随机变量x(t-1)、x(t-2)、...、x(t-k-1)的干扰之后x(t-k)对x(t)影响的相关程度;
ACF还包含了其他变量的影响,而偏自相关系数PACF是严格这两个变量之间的相关性;
建立ARIMA模型
ARIMA(p,d,q)阶数确定
截尾:落在置信区间内(95%的点都符合该规则)
ARIMA建模流程
将序列平稳(差分法确定d)
p和q阶数确定:ACF与PACF
ARIMA(p,d,q)
模型选择AIC与BIC:选择更简单的模型
AIC:赤道信息准则,AIC=2k-2ln(L)
BIC:贝叶斯信息准则,BIC=kln(n)-2ln(L)
k为模型参数个数,n为样本数量,L为似然函数
模型残差检验
ARIMA模型的残差是否是平均值为0且方差为常数的正态分布
QQ图:线性即正态分布