ARIMA学习总结
2016-05-07 21:47
225 查看
1.
原序列画图,判断趋势性,周期性,决定季节性还是非季节性,若季节性结合实际初步猜测周期。
2. 原序列平稳性检验。直接单位根检验 p值小于0.05→拒绝原假设→不存在单位根→平稳序列
3. 原序列白噪声检验。看Q统计量对应的p值小于0.05→拒绝原假设→原序列非白噪声,继续进行分析,否则停止分析。
4. 如果根据自相关图与偏自相关图能够定出模型 则先定出模型准则如下:
AR模型:自相关系数拖尾,偏自相关系数截尾;
MA模型:自相关系数截尾,偏自相关函数拖尾;
ARMA模型:自相关函数和偏自相关函数均拖尾。
否则,直接跳到第三部。
5. 模型定阶。 aic准则 bic准则,阶数低时aic,likehood越小越好 阶数高时小得不多则不好
6.残差检验。 对残差进行Q统计量检验,
p值首先大于0.05而且越大→不能拒绝原假设H→ 序列满足白噪声的假定 → 信息提取完毕。
否则→残差为非白噪声→重新定阶数
原序列画图,判断趋势性,周期性,决定季节性还是非季节性,若季节性结合实际初步猜测周期。
2. 原序列平稳性检验。直接单位根检验 p值小于0.05→拒绝原假设→不存在单位根→平稳序列
3. 原序列白噪声检验。看Q统计量对应的p值小于0.05→拒绝原假设→原序列非白噪声,继续进行分析,否则停止分析。
4. 如果根据自相关图与偏自相关图能够定出模型 则先定出模型准则如下:
AR模型:自相关系数拖尾,偏自相关系数截尾;
MA模型:自相关系数截尾,偏自相关函数拖尾;
ARMA模型:自相关函数和偏自相关函数均拖尾。
否则,直接跳到第三部。
5. 模型定阶。 aic准则 bic准则,阶数低时aic,likehood越小越好 阶数高时小得不多则不好
6.残差检验。 对残差进行Q统计量检验,
p值首先大于0.05而且越大→不能拒绝原假设H→ 序列满足白噪声的假定 → 信息提取完毕。
否则→残差为非白噪声→重新定阶数
相关文章推荐
- 数据挖掘之Apriori算法详解和Python实现代码分享
- 详解BI/数据分析/数据挖掘/业务分析概念 7fe0
- Sedgewick之巨著《算法》,与高德纳TAOCP一脉相承
- 普通最小二乘法的推导证明
- 最老程序员创业札记:全文检索、数据挖掘、推荐引擎应用2
- 数据挖掘项目的特征和关键环节
- 聚类算法总结
- 一位数据挖掘成功人士给数据挖掘在读研究生的建议
- 数据挖掘网上资料大全
- 数据挖掘技术与用户知识获取
- Data mining 数据挖掘
- 数据挖掘
- 大数据,且行且思( 文/ 占超群)
- HUNTER
- kmeans python版
- 数据挖掘-聚类-K-means算法Java实现
- 数据挖掘书籍
- 浅谈R语言的面向对象编程
- Python3和2常用语句的语法区别1.0
- 基于R的xgboost