Métodos e ideas de identificación para modelos de series temporales estacionarias
Las series de tiempo estacionarias son un tipo importante de series de tiempo en series de tiempo. Para esta serie de tiempo, existe un conjunto muy maduro de métodos de modelado de secuencia estacionaria. Para secuencias no estacionarias, se puede convertir en una secuencia estacionaria mediante métodos como diferencia y extracción de componentes deterministas, y luego se puede utilizar el método de modelado de secuencia estacionaria para modelar.
En la operación real, debido a la falta de datos de muestra, es básicamente imposible encontrar el verdadero proceso aleatorio que generó la muestra en función de los datos de muestra. La investigación teórica muestra que cualquier serie de tiempo estacionaria puede representarse aproximadamente mediante un proceso ARMA (incluido el proceso AR, el proceso MA y el proceso híbrido), y se puede realizar una predicción más precisa de la secuencia mediante el modelo ARMA. método de modelado Box-Jenkins. Se trata de cómo analizar series de tiempo estacionarias, el método para construir modelos y pronósticos ARMA, y también es un método de modelado popular en la actualidad. El proceso de modelado se puede dividir básicamente en los siguientes tres pasos.
1) Identificación del modelo: examine las características de la serie temporal, realice la identificación del modelo e identifique subtipos de modelo valiosos con parámetros simples, como AR(3), ARMA(2,2), etc.
2) Estimación de parámetros y pruebas de diagnóstico: realice el ajuste de datos y la estimación de parámetros para las subclases de modelos identificadas, y utilice de manera efectiva datos de muestra para inferir y estimar los parámetros del modelo en condiciones apropiadas. y revelar lo inadecuado del modelo probando la relación entre el modelo ajustado y los datos, para mejorar el modelo. La identificación de modelos, la estimación de parámetros y las pruebas de diagnóstico son un proceso continuo de iteración y mejora a través del cual se encuentran las expresiones apropiadas del modelo.
3) Previsión: el uso de un modelo de serie temporal ajustado para inferir otras propiedades estadísticas de la secuencia o predecir el desarrollo futuro de la secuencia generalmente requiere que el número de observaciones utilizadas para el modelado sea al menos 50. Preferiblemente 100. o más. Cuando no están disponibles 50 o más observaciones históricas, como al pronosticar la demanda de un nuevo producto, puede utilizar la experiencia o la información de la demanda histórica de productos similares para obtener un modelo inicial cuando se obtengan más datos; este modelo se puede actualizar en cualquier momento; .