自回歸整合移動平均模型用於幫助企業對未來進行預測。
基本介紹
- 中文名：自回歸整合移動平均模型
- 功能：幫助企業對未來進行預測
- 注意：找出滯後期的準確數字及其係數
- 有助於：確定其下屬模型
沒有人能夠真正看清楚未來， 然而，現代統計方法、計量經濟模型和Business Intelligence[商業智慧型]軟體在某種程度上已經能夠幫助企業對未來進行預測。
ARIMA是AutoRegressive Integrated Moving Average的縮寫，亦即自回歸整合移動平均數。
ARIMA模型在做時間序列分析時，根據歷史數據的變動規律，找出數據變動模型（移動平均數、周期成分），從而實現對未來的預測。 ARIMA模型問世於1960年代末，Box和Jenkins在1976年對該模型進行了系統闡述，所以該模型亦被稱之為Box Jenkins模型。 ARIMA模型比其他的統計預測技術要複雜得多，但如果運用恰當的話，它不僅預測準確，而且靈活有度。
通過ARIMA模型，能夠決定：
過去的歷史數據對下一個觀測值貢獻的大小（即加權長度）。
權重。
例如 y (t) = 1/3 * y (t-3) + 1/3 * y (t-2) + 1/3 * y (t-1)， 又如 y (t) = 1/6 * y (t-3) + 4/6 * y (t-2) + 1/6 * y (t-1) 。
正確運用ARIMA模型，必須要找出滯後期的準確數字及其係數。
ARIMA模型通過自回歸分析來確定其下屬模型。
運用ARIMA模型，還必須確定各項參數，因為任何不平穩的成分（如脈衝、水平位移、實際的時間趨勢）都可能對模型的正確性產生干擾。
