ARMA模型概述
ARMA 模型(Auto-Regressive and Moving Average Model)是研究時間序列的重要方法,由自迴歸模型(簡稱AR模型)與滑動平均模型(簡稱MA模型)為基礎“混合”構成。在市場研究中常用於長期追蹤資料的研究,如:Panel研究中,用於消費行為模式變遷研究;在零售研究中,用於具有季節變動特徵的銷售量、市場規模的預測等。
ARMA模型三種基本形式[1]
1.自迴歸模型(AR:Auto-regressive);
自迴歸模型AR(p):如果時間序列yt滿足
其中εt是獨立同分布的隨機變數序列,且滿足:
E(εt) = 0
則稱時間序列為yt服從p階的自迴歸模型。或者記為φ(B)yt = εt。
自迴歸模型的平穩條件:
滯後運算元多項式的根均在單位圓外,即φ(B) = 0的根大於1。
2.移動平均模型(MA:Moving-Average)
移動平均模型MA(q):如果時間序列yt滿足
則稱時間序列為yt服從q階移動平均模型;
移動平均模型平穩條件:任何條件下都平穩。
3.混合模型(ARMA:Auto-regressive Moving-Average)
ARMA(p,q)模型:如果時間序列yt滿足:
則稱時間序列為yt服從(p,q)階自迴歸滑動平均混合模型。或者記為φ(B)yt = θ(B)εt
特殊情況:q=0,模型即為AR(p),p=0,模型即為MA(q),
ARMA模型的基本原理
將預測指標隨時間推移而形成的資料序列看作是一個隨機序列,這組隨機變數所具有的依存關係體現著原始資料在時間上的延續性。一方面,影響因素的影響,另一方面,又有自身變動規律,假定影響因素為x1,x2,…,xk,由迴歸分析,
其中Y是預測物件的觀測值, e為誤差。作為預測物件Yt受到自身變化的影響,其規律可由下式體現,
誤差項在不同時期具有依存關係,由下式表示,
由此,獲得ARMA模型表示式: