《数据分析》课件——任务6.6 事件模型—ARIMA.pptxVIP

任务6.6事件模型—ARIMAPython数据分析

学习目标及重难点学习目标：了解ARIMA模型素养目标：了解并使用ARIMA模型学习重点：使用ARIMA模型

目录学习内容1.AR模型2.I模型3.MA模型

01AR模型

1.AR模型ARIMA的全称叫做差分整合移动平均自回归模型，又称作整合移动平均自回归模型，是一种用于时间序列预测的常见统计模型。ARIMA模型主要由AR、I与MA模型三个部分组成。ARIMA(p,d,q)AR(p)模型I模型MA(q)模型

1.AR模型ARIMA(p,d,q)模型可以表示为：p--代表预测模型中采用的时序数据本身的滞后数，即自回归项数。d--代表时序数据需要进行几阶差分化，才是稳定的，即差分的阶数。q--代表预测模型中采用的预测误差的滞后数，即滑动平均项数。

1.AR模型ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列，这个模型一旦被识别后，就可以从时间序列的过去值及现在值来预测未来值。ARIMA模型建立的基本步骤如下：第1步获取被观测的时间序列数据。第2步根据时间序列数据进行绘图，观测是否为平稳时间序列。从平稳的时间序列中求得自相关系数ACF和偏自相关系数PACF，得到最佳的阶层p和阶数q。第3步根据上述计算的d、q、p得到ARIMA模型，然后对模型进行检验。第4步

1.AR模型AR模型为自回归模型，表示当前时间点的值等于过去若干个时间点的值的回归——因为不依赖于别的解释变量，只依赖于自己过去的历史值，故称为自回归。如果依赖过于最近的p个历史值，称阶数为p，记为AR(p)模型。整个公式可以用文字叙述为：X的当期值等于一个或数个落后期的线性组合，加上常数项，加上随机误差。

02I模型

2.I模型I模型表示的含义是模型对时间序列进行了查分。时间序列分析要求具有平稳性，对于不平稳的序列需要通过一定手段转化为平稳序列，一般采用的手段就是差分。d表示差分的阶数，t时刻的值减去t-1时刻的值，得到新的时间序列成为1阶差分序列。

03MA模型

3.MA模型移动平均模型，表示的含义是当前时间点的值等于过去若干个时间点的预测误差（预测误差=模型预测值-真实值）的回归。如果序列依赖过去最近的q个历史预测误差值，称阶数为q，记为MA(q)模型。

谢谢