其中ARIMA(p,d.q)中，p是啥意思？q是啥意思， 分别如何确定呢？

Posted 2023-03-30

急问， 谢谢大家啊~~~

ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归,p为自回归项，可以看自相关图来估计;MA为移动平均，q为移动平均项数，可以看偏相关图来估计，d为时间序列成为平稳时所做的差分次数。“差分”一词虽未出现在ARIMA的英文名称中，却是关键步骤。

ARIMA模型，差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），时间序列预测分析方法之一。

扩展资料：

ARIMA模型运用的流程

1、根据时间序列的散点图、自相关函数和偏自相关函数图识别其平稳性。

2、对非平稳的时间序列数据进行平稳化处理。直到处理后的自相关函数和偏自相关函数的数值非显著非零。

3、根据所识别出来的特征建立相应的时间序列模型。平稳化处理后，若偏自相关函数是截尾的，而自相关函数是拖尾的，则建立AR模型；若偏自相关函数是拖尾的，而自相关函数是截尾的，则建立MA模型；若偏自相关函数和自相关函数均是拖尾的，则序列适合ARMA模型。

4、参数估计，检验是否具有统计意义。

5、假设检验，判断（诊断）残差序列是否为白噪声序列。

6、利用已通过检验的模型进行预测。

参考资料：百度百科-自回归模型

参考技术A

ARIMA（p，d，q）中，AR是"自回归"，p为自回归项数；MA为"滑动平均"，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。“差分”一词虽未出现在ARIMA的英文名称中，却是关键步骤。

ARIMA模型（英语：Autoregressive Integrated Moving Average model），差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），时间序列预测分析方法之一。

扩展资料：

ARIMA模型运用：

1、根据时间序列的散点图、自相关函数和偏自相关函数图识别其平稳性。

2、对非平稳的时间序列数据进行平稳化处理。直到处理后的自相关函数和偏自相关函数的数值非显著非零。

3、根据所识别出来的特征建立相应的时间序列模型。平稳化处理后，若偏自相关函数是截尾的，而自相关函数是拖尾的，则建立AR模型；若偏自相关函数是拖尾的，而自相关函数是截尾的，则建立MA模型；若偏自相关函数和自相关函数均是拖尾的，则序列适合ARMA模型。

4、参数估计，检验是否具有统计意义。

5、假设检验，判断（诊断）残差序列是否为白噪声序列。

6、利用已通过检验的模型进行预测。

参考资料来源：百度百科-ARIMA模型

参考技术B ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归,p为自回归项，可以看自相关图来估计;MA为移动平均，q为移动平均项数，可以看偏相关图来估计，d为时间序列成为平稳时所做的差分次数。
近期在用R，里面有个函数auto.arima()可以自动生成一个最优拟合模型。可以试试。
当然不同的软件会有不同函数，看看教程总有解决方法的。本回答被提问者采纳