ARMA模型如何定阶

Posted 2023-05-11

老师要求对一组很大的数据进行ARMA模型分析及预测，但不知阶数。我查了很多书有些函数可以直接调用，但是matlab说没有此函数，我对此很无奈，请有关高人指教啊！或者有其他办法也行！谢谢！

参考技术A 观察自相关系数：拖尾数即为AR阶数，截尾数即为MA阶数
观察偏相关系数：截尾数即为AR阶数，拖尾数即为MA阶数

算法 | 时间序列，无法绕过的平稳模型ARMA

对于夏洛克ITOA来说，进行异常检测、容量预测等处理分析，都绕不开时间序列

而时间序列的算法，则绕不过平稳模型

时间序列第一篇请戳 ：

本文将介绍第一类非常重要的模型：自回归滑动平均模型（ARMA)。在真实案例中，ARMA模型也被高频的使用到，更是后面模型的基础，反正，时间序列是绕不过去ARMA模型的。

2.1 一般线性过程

ARMA模型属于一大类过程（模型），即一般线性过程。一听到线性过程，是不是就觉得不难了？ 事实也是如此，别怕，干！

那什么叫线性过程呢？对一时间序列 { Y_t } ，比如就是2017年06月 27日的上证指数。则其可表示成现在与过去白噪声的加权线性组合：

‍‍其中 { e_t } 代表白噪声序列，‍‍为一实数列（可认为 ψ₀为1) 。考虑到收敛问题，需加一个限制条件：‍‍

‍‍

2.2 滑动平均过程

2.2.1 一阶滑动平均过程

在介绍ARMA模型前，先介绍一些它的简化版本，这样循序渐进，慢慢深入，痛苦也会少一点，快乐也就多一点。

最先介绍的当然是滑动平均（Moving Average, MA)，而且是滑动平均的最简版：一阶滑动平均。

‍‍对于一阶滑动平均{  X _t   }：

X _t  = e _t + θ e _t-1   t = 0 , ± 1 , ± 2 , …

通常称{X~t~} 为 MA(1) 序列。

接下来要探讨统计特征啦（以后，再学习一些模型时，都会经历这一步。其实这才是重点啊，因为这些特征告诉我们模型的特性，那也就暗示了模型的应用场景啊！当然，==从应用的层面，也不需要你知道怎么推导，故只需关注每个公式最后的等号就可以了==，当然如果想加深理解、记忆，每个公式仔细看是有必要的）

因此，对于MA(1),自协方差函数γk和自相关系娄ρk

2.2.2  q阶滑动平均— MA(q)序列

任给定q个实数θ₁，θ₂，...，θq (θ_q≠0)，则MA(q) 序列{  X _t   }：

可见，MA(q)与MA(1)是非常类似的，只不过有变得繁琐而已（注意，是‘繁’不是‘难’）。

‍‍比如处协方差函数 γk 和自相关函数ρk (因e_t  系数为一，自然地，约定θ₀=1)：

为使上面的等式可识别（‘可识别’ 可简单的理解为参数可估）需加一些限制，比如：

当然，这个条件对等式成立本身没有影响，只是为了参数可识别而已，对于应用来说，其实可忽略，因为实际应用时，默认参数可识别，如果最终结果不符，我们就会换到其他模型了（尴尬~）。这也是学院派与经验派（或务实派）的一个区别吧。

‍‍2.3 平稳自回归过程

另一个ARMA的简化版即为自回归(Auto Regression,AR)过程。如MA我们先介绍一阶自回归(AR(1))开始。

2.3.1 一阶自回归过程

对于一阶自回归序列 { Xt} (AR(1))：‍‍

‍‍其中白噪声{ e _t } ~ WN(0, σ 2 )，也被称为新息项，因其是过去所不包含的，新加入的; | Φ  | < 1 , 否则会发生‘爆炸’，可以很容易知道，忽略白噪声，上式就是一个以 Φ 为等比的数列，假设 Φ = 1.5 咱们来看下（9）式的一段图像(假设X₀=0):‍‍

上图可以看到，t 还没到20， X~t~ 已经达到-1000了。

正如刚刚提到，AR序列类似等比数列：

‍‍‍‍注意，这里还是要求 | Φ  | < 1

于是：‍‍‍‍

‍‍故，‍‍{ X t } 又被称为指数平滑序列。‍‍‍‍

对（9）式可写成：

X_t = ϕX_t-1 + e_t

对两边求方差即可得到：

γ₀= Φ  ²γ₀+σ²

对γ₀ 求解：

‍

再强调一遍，如果只是想了解下时间序列，只是想应用，那就只关注等式的最后一个等号就可以了。

上式为自协方差函数，根据γk,可求得：

2.3.2 p阶平稳自回归序列

‍‍怎么样，公式有点多，醉没醉？可以休息下再看，什么再来一壶，OK！AR(p)继续！

AR(p)序列  { X t } :‍‍

‍‍其中 Φ ₁, Φ ₂,… Φ p 为p个实数，平稳性条件：‍‍

对于线性表示，经过‘不太复杂’的推导，可得：

其中系数  { φ_j:j=1,2,…} 由下式确定：

‍‍利用{ Xt}的线性表式（16）式，可得一个重要等式：‍‍

E(X_t-ke_t)=0, k=1,2,...

‍‍下面来求解AR(p)序列的自相关系数 ρ_k:‍‍

在（15）式两边同乘 X_t-k，(K≥1)

两边同求数学期望：

同除 γ_0，

‍‍分别令  k=1,2,…,p k = 1 , 2 , … , p ,可得如下线性方程组：‍‍

这就是著名的Yule-Walker方程。

上式写成矩阵形式更方便记忆：

全是公式？！怎么搞？！举了例子呗：

例：设AR(2)序列{X~T~}:

其中{e_t} ~W N(0,1)。试求 {Xt}的自相关系数 ρ 1 , ρ 2

解：

可知：Φ₁=1，Φ₂=-1/4

解得：

‍‍对时间序列建模，我们一般是要求回归参数 ϕ k ‍‍的。此问题对于MA(q)序列并不平凡，但对AR(p)序列，就相对容易得多，这也是为什么AR(p)序列更加常用的原因。有些同学可能会说，不就是对Yule-Walker方程求解嘛，比如矩阵形式，求个逆就OK了，Bingo!答对了，but，上面式子中的自相关系数 ρ k ‍‍是用 ϕ k 表示的，低阶可能还好解，高阶就等着崩溃吧，所以实际数值计算过程中，并不用这种理论上可行，但实际难于操作的方式，而是用一种叫递推迭代算法（Durbin-Levinson算法）。‍‍‍‍‍‍

2.4 平稳自回归滑动平均序列

‍‍Finaly, 终于到了自回归滑动平均(Auto Regression Moving Average，ARMA(p,q))序列{ Xt}，当然上面也都是ARMA序列，只不过是简化版本而已。

ARMA(p,q)序列是满足下面差分方程的序列（参数意义同上）：‍‍

为了可识别，需有些限制条件：

2.5 总结

这回探讨了ARMA(p,q)模型，这个模型其实还是基础模型，但我与大家同感，尽管是基础模型，可还是很复杂，没办法，时间序列这一数据类型决定了其相关的模型是不平凡的。

不过，也不用担心，虽然公式多了点（是在我尽力规避不必要公式后，还有这么多)，你只需要知道每个公式最后的等号就好了（这是第三遍了，足见其重要！）。

模型逻辑还是清晰的，AR，MA,弄懂，ARMA可简单理解成二者的合并（虽然推导方式不一样了），这样便于理解。模型阶数实际中一般不会很大，所以也不用担公式复杂，不易应用。

最后一句： Hold住，也许下一个改世界的人就是你。

夏洛克 ITOA

为企业量身定制的IT运维专家

人工智能 | 机器学习 | IT运维