第二十二章常用统计预测方法3—arima.ppt

第三节 ARIMA预测方法 　　　传统的时间序列分析的应用, 主要是确定性的时间序列分析方法, 包括指数平滑法、滑动平均法、时间序列的分解等等, 这些方法的应用有一个前提条件: 时间序列的随机性部分相对来说并不显著。事实上, 这一条件在大多数情况下都是不成立的。因为, 随着社会的发展, 许多不确定性因素的影响越来越大, 必须引起人们的重视。 　　1970 年, Box 和Jenkins 提出了以随机理论为基础的时间序列分析方法, 使时间序列分析理论上升到一个新的高度, 预测的精确度大大提高。 其基本模型有三种: 　自回归(AR) 模型; 　滑动平均(MA) 模型 　自回归滑动平均(AR IMA) 模型。 　两个问题： （1）分析时间序列的随机性、平稳性和季节性； （2）在对时间序列分析的基础上，选择适当的模型进行预测 (AR(p),MA(q),ARIMA(p, d,q))。 1 ARIMA预测数学模型 自回归滑动平均混合模型（autoregressive integrated moving average) 　 ARIMA(p,d,q) 　其中：p为自回归的阶数；d为差分阶数；q为滑动平均阶数。 ARIMA模型可分为： (1)自回归模型(AR),即ARIMA(p,0,0); (2)滑动平均模型(MA),即ARIMA(0,0,q); (3)自回归滑动平均混合模