你想弄懂什么？

介绍了两种选择模型阶数的方法：绘制相关性模式和自动选择技术。

适用条件：用于决定包含多少个AR和MA项时

介绍了两种选择模型阶数的方法：绘制相关性模式和自动选择技术。

适用条件：用于决定包含多少个AR和MA项时

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。

AR模型被称为长记忆模型，因为人们可以递归地回顾过去，并且仍然能看到滞后的影响。早期观测值的影响可以通过滞后依赖关系递归地追溯到过去。

适用条件：适用于自回归时间序列模型；假设在时间上向后递归替换

AR模型被称为长记忆模型，因为人们可以递归地回顾过去，并且仍然能看到滞后的影响。早期观测值的影响可以通过滞后依赖关系递归地追溯到过去。

适用条件：适用于自回归时间序列模型；假设在时间上向后递归替换