《数据分析》课件-任务6.6 事件模型-ARIMA_第1页
《数据分析》课件-任务6.6 事件模型-ARIMA_第2页
《数据分析》课件-任务6.6 事件模型-ARIMA_第3页
《数据分析》课件-任务6.6 事件模型-ARIMA_第4页
《数据分析》课件-任务6.6 事件模型-ARIMA_第5页
已阅读5页，还剩8页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

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-

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论