Colección de citas famosas - Slogan de motivación - Cómo juzgar el gráfico de la función armasubsets

Cómo juzgar el gráfico de la función armasubsets

Las estadísticas AR son el modelo ARIMA. El concepto de estadísticas AR es un concepto abstracto. Primero comprendamos la forma básica de las estadísticas AR.

(1) Tres tipos básicos de modelos ARMA. Forma: Modelo autorregresivo (AR: Auto-regresivo), modelo de media móvil (MA: Moving-Average) y modelo híbrido (ARMA: Auto-regressive Moving-Average).

El nombre completo del modelo ARMA es Modelo de media móvil autorregresiva (ARIMA), que es un famoso método de pronóstico de series de tiempo propuesto por Box y Jenkins a principios de la década de 1970, por lo que también se le llama caja. -Modelo Jenkins y método Box-Jenkins. Entre ellos, ARIMA (p, d, q) se denomina modelo diferencial de media móvil autorregresiva, AR es autorregresiva, p es un término autorregresivo, MA es una media móvil, q es el número de términos de media móvil y d es lo que es; Esto se hace cuando la serie de tiempo se vuelve estacionaria de tiempos diferenciales.

La idea básica del modelo ARIMA es tratar la secuencia de datos formada por el objeto de predicción a lo largo del tiempo como una secuencia aleatoria y utilizar un determinado modelo matemático para describir aproximadamente esta secuencia. Una vez identificado, este modelo puede predecir valores futuros a partir de los valores pasados ​​y presentes de la serie temporal. Los métodos estadísticos modernos y los modelos econométricos han podido ayudar a las empresas a predecir el futuro hasta cierto punto.

El procedimiento básico para la predicción del modelo ARIMA (1) Con base en el gráfico de dispersión, la función de autocorrelación y el gráfico de la función de autocorrelación parcial de la serie temporal, utilice la raíz unitaria ADF para probar sus reglas de varianza, tendencia y cambio estacional. e Identificar la estacionariedad de la secuencia. En términos generales, las series temporales de operaciones económicas no son secuencias estacionarias.

(2) Estabilizar la serie no estacionaria. Si la serie de datos no es estacionaria y tiene una cierta tendencia de crecimiento o disminución, los datos deben procesarse de manera diferencial. Si los datos tienen heterocedasticidad, los datos deben procesarse técnicamente hasta que el valor de la función de autocorrelación y el sesgo de los datos procesados ​​sean. El valor de la función de correlación no es significativamente diferente de cero.

(3) A partir de las reglas de identificación del modelo de series temporales, establecer el modelo correspondiente. Si la función de correlación parcial de una secuencia estacionaria está censurada y la función de autocorrelación tiene cola, se puede concluir que la secuencia es adecuada para el modelo AR si la función de correlación parcial de una secuencia estacionaria tiene cola y la función de autocorrelación está censurada; entonces se puede concluir que la secuencia es adecuada para el modelo MA; si la función de correlación parcial y la función de autocorrelación de la secuencia estacionaria tienen cola, la secuencia es adecuada para el modelo ARMA.

(4) Realizar una estimación de parámetros y probar si es estadísticamente significativa.

(5) Realizar pruebas de hipótesis para diagnosticar si la secuencia residual es ruido blanco.

(6) Utilice el modelo probado para realizar análisis predictivos.