如何从建模的差分 恢复原始时间序列 ?
你可以通过对预测的差分 求和,并将它们加到最后一个已知的实际值 (或根据起始索引为 )上来恢复原始序列 。公式为 。
适用条件
- 你有差分序列 的预测值。
- 你知道原始序列的最后观测值 。
- 关系 成立。
理解与推导
- 从定义 开始。
- 重新排列以解出 :。
- 递归替换 直到达到最后已知值 。
- 对所有中间 项求和。
- 将最后已知的实际值 加到总和中。
- 结果公式:。
例子
白板显示了推导过程:。演讲者将其解释为进行逆变换。
容易误解的地方
- 忘记加上初始值或最后已知值 。
- 对错误范围的 项求和。
- 认为模型直接预测 而无需逆变换。
观看对应讲解
YouTube时间序列讲座:ARIMA 模型
8:00 – 9:03原站看这一段 ↗
相关概念
继续追问
相关问题
认识概念↗
ARIMA(p,d,q) 中的 代表差分阶数,也称为积分分量。它表示为了实现平稳性而对原始序列进行差分的次数。
适用条件:模型表示为 ARIMA(p,d,q)。; 是一个非负整数。
YouTube时间序列讲座:ARIMA 模型
4:24 – 4:45原站看这一段 ↗
判断用途↗
如果一阶差分序列仍然不平稳,你会使用二阶差分。目标是选择能使序列平稳的最低差分阶数 。
适用条件:原始序列是非平稳的。;一阶差分()没有产生平稳序列。;建模者可以检查差分图的平稳性。
YouTube时间序列讲座:ARIMA 模型
4:45 – 5:03原站看这一段 ↗
理解原因↗
ARMA 模型要求时间序列是平稳的。具有上升趋势的序列具有移动的均值,这违反了随时间恒定均值的平稳性条件。
适用条件:模型类别是 AR、MA 或 ARMA。;序列表现出非恒定均值(趋势)。
YouTube时间序列讲座:ARIMA 模型
0:58 – 1:38原站看这一段 ↗
认识概念↗
ARIMA(1,1,1) 的方程是 ,其中 是差分序列, 是自回归系数, 是移动平均系数, 是误差项。
适用条件:模型是 ARIMA(1,1,1)。; 是原始序列 的一阶差分。;。
YouTube时间序列讲座:ARIMA 模型
5:04 – 5:55原站看这一段 ↗
认识概念↗
ARIMA 中的 I 代表 Integrated(差分整合)。它的实现方式是建模原始时间序列的差分,而不是原始序列本身。
适用条件:背景是 ARIMA 时间序列模型。;解释指的是黑板上显示的具体 ARIMA(1,1,1) 示例。
YouTube时间序列讲座:ARIMA 模型
2:00 – 2:17原站看这一段 ↗
答案依据视频资料生成并经过独立核验。若有疑问,请核对原视频或联系原作者。