你想弄懂什么？

ARMA模型在一个方程中结合了基于过去观测值的自回归项和基于过去误差的移动平均项。一般方程为 $Y_t = \omega + \phi_1 Y_{t-1} + \cdots + \phi_p Y_{t-p} + \theta_1 e_{t-1} + \cdots + \theta_q e_{t-q} + e_t$。

适用条件：时间序列建模；包括滞后观测值和滞后误差

ARMA模型在一个方程中结合了基于过去观测值的自回归项和基于过去误差的移动平均项。一般方程为 $Y_t = \omega + \phi_1 Y_{t-1} + \cdots + \phi_p Y_{t-p} + \theta_1 e_{t-1} + \cdots + \theta_q e_{t-q} + e_t$。

适用条件：时间序列建模；包括滞后观测值和滞后误差

在ARIMA(p, d, q)中，p代表自回归(AR)项的数量，d是使数据平稳所应用的一阶差分的数量，q表示移动平均(MA)项的数量。

适用条件：适用于ARIMA模型符号。

在ARIMA(p, d, q)中，p代表自回归(AR)项的数量，d是使数据平稳所应用的一阶差分的数量，q表示移动平均(MA)项的数量。

适用条件：适用于ARIMA模型符号。