SAS学习系列39.时间序列分析Ⅲ—ARIMA模型 .pdfVIP

SAS学习系列39.时间序列分析Ⅲ—ARIMA模型

39.时间序列分析Ⅱ—-ARIMA模型

随着对时间序列分析方法的深入研究，人们发现非平稳序列的确定性因素分解

方法(如季节模型、趋势模型、移动平均、指数平滑等）只能提取显著的确定性信

息,对随机性信息浪费严重，同时也无法对确定性因素之间的关系进行分析。

而非平稳序列随机分析的发展就是为了弥补确定性因素分解方法的不足。时间

序列数据分析的第一步都是要通过有效手段提取序列中所蕴藏的确定性信息。Box

和Jenkins使用大量的案例分析证明差分方法是一种非常简便有效的确定性信息的

提取方法。而Gramer分解定理则在理论上保证了适当阶数的差分一定可以充分提

取确定性信息。

(一）ARMA模型

即自回归移动平均移动模型，是最常用的拟合平稳时间序列的模型,分为三类：

AR模型、MA模型和ARMA模型。

p

一、AR(）模型——p阶自回归模型

1。模型：



xxx

t01t1ptpt

2

其中，,随机干扰序列ε为0均值、方差的白噪声序列（,t≠s），



0E()0

tts

p

xε

且当期的干扰与过去的序列值无关,即E（)=0.

tt



p

由于是平稳序列，可推得均值0.若0,称为中心化的AR(）

0



1

1p

模型，对于非中心化的平稳时间序列,可以令，*转化为

(1)xx

01ptt

中心化。

ppp

记B为延迟算子，称为阶自回归多项式,则AR（）

(B)IBB

p1