ARIMA模型-自回归移动平均模型要点.doc

自回归移动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA) 目录 [显示] 1 什么是ARIMA模型? 2 ARIMA模型的基本思想 3 ARIMA模型预测的基本程序 4 相关链接 4.1 各国的box-jenkins模型名称 5 ARlMA模型案例分析 5.1 案例一:ARlMA模型在海关税收预测中的应用 5.2 案例二:基于ARIMA模型的备件消耗预测方法[1] 6 参考文献 [编辑] 什么是ARIMA模型? 　　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。 [编辑] ARIMA模型的基本思想 　　ARIMA模型的基本思想是： [编辑] 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。 [编辑] 相关链接 [编辑] 各国的box-jenkins模型名称 Glossary of statistical terms Language Description English Box-Jenkins model French modèle de Box-Jenkins German Box-Jenkins-Modell Dutch Box-Jenkins-model Italian modello Box-Jenkins Spanish modelo de Box-Jenkins Catalan model de Box-Jenkins Romanian modelul Box-Jenkins Finnish Boxin-Jenkinsin mallit Hungarian Box-Jenkins-modell Turkish Box-Jenkins modeli Estonian Box-Jenkinsi mudel Lithuanian Box ir Jenkins modelis?; Bokso ir D?enkinso modelis Slovenian Box-Jenkinsova model Polish model Boxa-Jenkinsa Russian Модель Бокса-Дженкинса Ukrainian модель Бокса - Дженк?нса Farsi modele Box-Jenkins Persian-Farsi ??? ????-?????? Arabic ????? ???? - ???? Afrikaans Box-Jenkins-model Chinese 博克斯―詹金斯模型 [编辑] ARlMA模型案例分析 [编辑] 案例一:ARlMA模型在海关税收预测中的应用 　　2008年。海关税收预算计划8400亿元.比2007年实际完成数增加10.8％，比2007年预算数增加22.1％。为了对2008年江门海关税收总体形势进行把握，笔者尝试利用SAS统计分析软件的时间序列预测模块建立ARIMA模型，对2008年江门海关税收总值进行预测。从预测结果来看，预测模型拟合度较高，预测值也切合实际情况，预测模型具有一定的应用价值。现将预测的方法、原理以及影响税收工作的相关因素