数学建模 / 英语

什么是 ARIMA 模型

Aric LaBarr · YouTube · 5:07

YouTube · Aric LaBarr原视频

选中时刻 · 0:37 · 章节点是时间参考，不表示实时播放进度。

视频中的要点

01AR 模型利用过去的观测值
02移动平均模型使用过去的误差
03自回归模型是长记忆模型

来自学习笔记

Y_t = \omega + \phi Y_{t-1} + e_t

自回归模型是长记忆模型

选中时刻

AR(1)的递归展开

建议预备知识

基础时间序列记号
滞后观测值的概念
预测误差／新息的概念
对时间序列分析的基本理解
熟悉自相关和特征值等统计学概念
时间序列数据的基本理解
自回归（AR）过程与移动平均（MA）过程的概念

阅读与收藏

把讲解展开来看。

已审核学习内容 · 视频分析 · 中文

阅读完整概览

这段时长为120秒的讲座片段回顾了AR模型与MA模型，通过递归代入说明AR(1)模型可表示为无限移动平均模型，随后引入了将滞后观测值与滞后误差相结合的通用ARMA方程。最后指出两种ARMA阶数选择方法：绘制相关性模式图与采用自动选择技术。本视频片段介绍了为ARIMA模型选取恰当的自回归（AR）阶数与移动平均（MA）阶数的概念。它概述了三种自动选择技术——MINIC、SCAN与ESACF，并解释了各自的方法论。该片段强调，这些技术仅作为建模的起点，而非确定性结论。本入门视频讲解时间序列分析中 ARIMA 模型的组成部分。内容涵盖使用 MINIC、SCAN 和 ESACF 网格等自动选择技术来识别自回归（AR）阶数与移动平均（MA）阶数；接着解释 ARIMA 中的“I”代表“积分”，阐明平稳性概念以及如何通过差分实现平稳性；最后解析 ARIMA(p, d, q) 的记号含义，并给出一个构建 ARIMA(1,1,1) 模型的具体示例。

在学习检查器中查看要点和时刻，或切换阅读标签查看完整笔记。

章节

0:00标题：什么是ARIMA模型？0:04AR与MA定义的复习 0:37AR(1)的递归展开 1:09AR(1) 作为 MA(

\infty

) 以及长记忆与短记忆之比较 1:42一般 ARMA 模型的定义 1:57关于如何选择 p 和 q 的导引 2:00ARIMA模型结构简介 2:23自动选择技术概览 2:44MINIC 方法的详细讲解 2:58SCAN 方法的详细讲解 3:42ESACF 方法的详细讲解 4:00自动选择技术 4:11平稳性与差分 4:35ARIMA 记号详解 4:45ARIMA(1,1,1) 示例 4:59结语

学习解说文稿

依据视频画面与讲解整理，并非逐字语音转写。

视频片段以标题问题‘什么是 ARIMA 模型？’开场，并立即指出该主题是此前关于 AR 模型与 MA 模型讨论的延续。

回顾幻灯片定义了两个基本构成模块：AR 表示利用该时间序列过去观测值（称为滞后项）进行预测；MA 表示利用过去误差（称为误差滞后项）进行预测。配图的销量-时间折线图将这些概念直观地锚定在一个真实的时间序列中。

随后，讲座转向这两类模型之间的关系。从 AR(1) 方程 $Y_t = \omega + \phi Y_{t-1} + e_t$ 出发，主讲人解释道：由于 $Y_{t-1}$ 本身依赖于 $Y_{t-2}$ ，当前值便逐层继承更早、更远的过去时刻的依赖关系。这种递归式回溯视角，正是 AR 模型被称为长记忆模型的原因。

屏幕上的代数推导继续展开：经代入后，模型被重写为 $Y_t = \omega^* + \phi^2 Y_{t-2} + \phi e_{t-1} + e_t$ ，再进一步展开直至抵达 $Y_t = \omega^* + \phi^t Y_1 + \phi^{t-1} e_2 + \phi^{t-2} e_3 + \cdots + e_t$ 。关键的视觉处理是忽略初始条件项，转而聚焦于累积的误差项。

这一累积误差部分被识别为一个大型的移动平均成分。若该递归过程不截断于某个有限的起始观测点，则幻灯片将最终结果概括为 $AR(1)=MA(\infty)$ 。视频用自然语言表述为：AR 模型可视为由众多短记忆冲击效应构成的无限阶 MA 模型。

下一张幻灯片从概念上诠释该结论：AR 中的长记忆源于对大量短记忆 MA 效应的累积。这促使我们在实践中将 AR 结构与 MA 结构相结合，而非依赖极长的纯 AR 或纯 MA 表达形式。

接着，一般 ARMA 模型被明确写出为 $Y_t = \omega + \phi_1 Y_{t-1} + \cdots + \phi_p Y_{t-p} + \theta_1 e_{t-1} + \cdots + \theta_q e_{t-q} + e_t$ 。主讲人指出，ARMA 模型通常只需较少的项数，即可良好地刻画动态特征。

最后，视频引入下一个问题：如何确定所用 $p$ 和 $q$ 的个数。幻灯片上列出了两种方法——绘制相关性模式图与自动选择技术——但讲解在此处中断，尚未展开任一方法的具体内容。

视频开篇指出：在 ARIMA 模型中，确定自回归（AR）项数 p 和移动平均（MA）项数 q 是一项挑战。

由于时间限制，主讲人选择采用计算方法，而非传统方法（例如绘制自相关函数与偏自相关函数图），因为后者在处理复杂模型时可能变得繁琐。

本视频介绍了三种主要的自动选择技术：MINIC、SCAN 与 ESACF。这些方法被视作建模的起点，鼓励通过反复试错进一步优化。

MINIC，即最小信息准则法，需构建一张潜在 AR 阶数与 MA 阶数的组合网格，对每组〔p〕与〔q〕拟合模型，并选取贝叶斯信息准则（BIC）值最小者。

SCAN，即平方典型相关法，分析数据及其滞后项构成的相关矩阵，提取特征值，以识别使典型相关系数接近零的 AR 阶数〔p〕与 MA 阶数〔q〕。

ESACF，即扩展样本自相关函数法，通过迭代滤除 AR 项，直至仅剩 MA 成分，从而确保残差的相关性被最小化。

视频首先介绍时间序列模型的自动选择技术，特别提及 MINIC、SCAN 和 ESACF；并借助可视化网格图说明这些技术如何通过识别右上三角等模式，辅助确定合适的自回归（AR）项数与移动平均（MA）项数。

接着，视频聚焦于 ARIMA 中的“I”，即“积分”。这与时间序列数据的平稳性概念密切相关。平稳性定义为：数据分布仅依赖于观测值之间的时间间隔，而与其在时间轴上的绝对位置无关。为实现平稳性，视频指出通常需对数据进行差分处理。

随后，视频总结 ARIMA 模型的标准记号：ARIMA(p, d, q)，并明确各参数含义：“p”表示自回归项数，“d”表示所采用的一阶差分次数，“q”表示移动平均项数。

为巩固理解，视频构建了一个具体的 ARIMA(1,1,1) 模型示例：首先对原始序列 $Y_t$ 进行一次差分（ $d=1$ ），得到平稳序列 $W_t$ ；然后对 $W_t$ 拟合一个 ARMA(1,1) 模型，其中包含一个自回归项（ $p=1$ ）和一个移动平均误差项（ $q=1$ ）。

视频最后重申：上述步骤与定义涵盖了ARIMA模型的内涵及其选择方法。

知识卡片

AR 模型利用过去的观测值

视频将自回归模型定义为一种利用序列自身过去取值进行预测的模型。这些过去的取值称为滞后项。这一特点将自回归模型（AR）与移动平均模型（MA）区分开来，后者使用的是过去的预测误差。

移动平均模型使用过去的误差

移动平均模型被定义为利用过去误差项（称为误差滞后项）进行预测的模型。视频片段强调，这些误差是作用于该序列的冲击，而非此前观测到的数值。

自回归模型是长记忆模型

由于自回归模型可递归地向历史方向展开，早期的观测值会持续影响当前取值。视频借助这种递归依赖关系来解释‘长记忆’这一表述。

Y_t = \omega + \phi Y_{t-1} + e_t

自回归模型 AR(1) 的递归展开

从 $Y_t = \omega + \phi Y_{t-1} + e_t$ 出发，不断向前代入可得到包含 $Y_{t-2}$ 的表达式，再进一步包含更早的滞后项，最终得到 $Y_1$ 加上一个过去误差的加权和。幻灯片特别指出，这个误差和部分正是关键的移动平均成分。

Y_t = \omega^* + \phi^t Y_1 + \phi^{t-1} e_2 + \phi^{t-2} e_3 + \cdots + e_t

AR(1) = MA( $\infty$ )

若允许递归无限进行，而非在首个观测点处终止，则 AR(1) 模型就转化为一个关于过去误差的无限阶移动平均模型。这是视频片段所陈述的核心等价关系。

AR(1) = MA(\infty)

长记忆即短记忆效应的累积

视频将自回归结构解读为大量短记忆移动平均效应的集合：每个滞后的误差仅贡献一小部分，而它们共同作用便产生了自回归模型所具有的、更为持久的依赖关系。

一般 ARMA 模型

ARMA 模型将过去观测值的自回归项与过去误差的移动平均项结合起来。其宣称的优势在于简洁性：人们常常能用一个规模更小的混合 ARMA 模型，替代规模非常大的纯 AR 模型或纯 MA 模型。

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

ARMA 模型中 p 与 q 的选取

在定义 ARMA 模型之后，视频片段引出下一个任务：确定应包含多少个自回归项和移动平均项。提到了两种方法：绘制相关性模式图，以及使用自动选择技术。

ARIMA 模型定义

ARIMA 模型融合了自回归（AR）与移动平均（MA）成分，用于预测时间序列数据。其一般形式包含常数项、AR 项、MA 项以及白噪声误差项。

Y_t = \omega + \phi_1 Y_{t-1} + \dots + \phi_p Y_{t-p} + \theta_1 e_{t-1} + \dots + \theta_q e_{t-q} + e_t

自动选择技术

MINIC、SCAN 和 ESACF 是用于辅助选择 ARIMA 模型合适 AR 阶数与 MA 阶数的计算方法。它们仅作为初步指导工具，而非最终判定依据。

MINIC 方法

MINIC 通过网格搜索评估多种 AR 与 MA 阶数组合，并选取贝叶斯信息准则（BIC）值最小的模型，从而为模型选择提供系统化路径。

SCAN 方法

SCAN 检查数据及其滞后项的相关矩阵，重点关注特征值（即典型相关系数的平方），以确定能使相关性降至最低的 AR 与 MA 阶数。

ESACF 方法

ESACF 逐步剔除 AR 项，直至仅剩 MA 成分，确保剩余自相关性被有效削弱，从而识别出最优的 ARIMA 阶数。

自动模型选择网格

MINIC、SCAN和ESACF等技术利用网格图，将自回归（AR）阶数与移动平均（MA）阶数进行映射，以提示潜在的模型结构；分析人员通过识别特定模式（例如右上三角形）来确定候选的ARMA(p,q)模型。

时间序列的平稳性

若一个时间序列的统计特性（如均值与方差）仅依赖于观测值之间的时间滞后，而与具体的时间点无关，则该序列是平稳的；这对许多预测模型至关重要。

为实现平稳性而进行的差分

差分是一种用于非平稳时间序列的变换方法，旨在使其变为平稳序列；其操作是计算相邻观测值之间的差（例如， $Y_t - Y_{t-1}$ ）。

W_t = Y_t - Y_{t-1}

ARIMA(p, d, q) 表示法

ARIMA模型由三个整数参数化：p（自回归项个数）、d（差分阶数）和q（移动平均项个数）。

\text{ARIMA}(p, d, q)

示例：ARIMA(1,1,1) 模型

ARIMA(1,1,1) 模型首先对原始序列进行一阶差分（ $d=1$ ），然后对差分后的序列拟合一个ARMA(1,1) 模型，其中包含一个自回归滞后项（ $p=1$ ）和一个移动平均滞后项（ $q=1$ ）。

Y_t - Y_{t-1} = W_t \\ W_t = \omega + \phi_1 W_{t-1} + \theta_1 e_{t-1} + e_t

详细学习笔记

按知识点查看条件、步骤和证据。补充解释与视频直接内容分别标明。

符号定义 · 22

$Y_t$

依据清楚

视频直接表达

来源依据

公式
观察依据
幻灯片将因变量显示为 $Y_t$ 在 AR(1) 递推关系式中，以及后续的一般 ARMA 方程中。

符号

$Y_t$

含义

时间 $t$ 处的时间序列观测值。

适用范围

用于自回归项中的已观测序列值。

$e_t$

依据清楚

视频直接表达

来源依据

公式
观察依据
幻灯片在 ARMA 方程中展示了 $e_t$ 、 $e_{t-1}$ 、 $e_{t-2}$ ，以及后续的 $e_{t-q}$ 。

符号

$e_t$

含义

时间 $t$ 处的误差项（创新项／冲击项）。

适用范围

用于移动平均项中的历史误差。

$\phi$ , $\phi_1$ , $\ldots$ , $\phi_p$

依据清楚

视频直接表达

来源依据

公式
观察依据
AR(1) 递推式使用了 $\phi$ 和 $\phi^2$ ，而一般 ARMA 公式使用了 $\phi_1,\ldots,\phi_p$ 。

待核验内容

视频未明确说明对 $\phi$ 的平稳性限制。
带星号的截距项 $\omega^*$ 在本片段中被展示，但未作口头定义。

符号

$\phi$ , $\phi_1$ , $\ldots$ , $\phi_p$

含义

乘以滞后观测值的自回归系数。

适用范围

AR 项的参数。

$\theta_1$ , $\ldots$ , $\theta_q$

依据清楚

视频直接表达

来源依据

公式
观察依据
ARMA 幻灯片展示了 $\theta_1 e_{t-1}+\cdots+\theta_q e_{t-q}$ 。

待核验内容

视频未明确说明 $\theta$ 的可逆性限制条件。
本片段中未单独用语言定义 $\theta_i$ 。

符号

$\theta_1$ , $\ldots$ , $\theta_q$

含义

乘以滞后误差的移动平均系数。

适用范围

MA项的参数。

$\omega$ ,\ $\omega^*$

依据清楚

视频直接表达

来源依据

声音
观察依据
讲话者在本片段中未用语言定义 $\omega$ 或 $\omega^*$ 。

待核验内容

片段中未解释 $\omega$ 与 $\omega^*$ 之间的精确关系。
此处未说明 $\omega^*$ 是否等于 $\omega/(1-\phi)$ 。

符号

$\omega$ ,\ $\omega^*$

含义

模型方程中的常数项／截距项。

适用范围

AR模型和ARMA模型表示形式中的加性截距项。

p,\ q

依据清楚

视频直接表达

来源依据

声音
观察依据
讲话者指出，ARMA模型将AR项与MA项结合起来，且通常所需项数更少。

待核验内容

该片段未在公式之外正式将 $p$ 和 $q$ 定义为整数。

符号

p,\ q

含义

阶数参数： $p$ 表示自回归滞后阶数， $q$ 表示移动平均误差滞后阶数。

适用范围

在ARMA记号中表示模型的阶数。

$Y_t$

依据清楚

视频直接表达

来源依据

公式
观察依据
$Y_t$ 等于 ω 加上 φ 下标1乘以 Y 下标 t 减1，加上省略号，再加上 $φ_p$ 乘以 Y 下标 t 减 p，再加上 θ 下标1乘以 e 下标 t 减1，加上省略号，再加上 $θ_q$ 乘以 e 下标 t 减 q，最后加上 $e_t$ 。

符号

$Y_t$

含义

时间 t 处的时间序列变量

适用范围

实数

$\omega$

依据清楚

视频直接表达

来源依据

公式
观察依据
$Y_t$ 等于 ω 加上 φ 下标1乘以 Y 下标 t 减1，加上省略号，再加上 $φ_p$ 乘以 Y 下标 t 减 p，再加上 θ 下标1乘以 e 下标 t 减1，加上省略号，再加上 $θ_q$ 乘以 e 下标 t 减 q，最后加上 $e_t$ 。

符号

$\omega$

含义

ARIMA 模型中的常数项

适用范围

实数

$\phi_i$

依据清楚

视频直接表达

来源依据

公式
观察依据
$Y_t$ 等于 ω 加上 φ 下标1乘以 Y 下标 t 减1，加上省略号，再加上 $φ_p$ 乘以 Y 下标 t 减 p，再加上 θ 下标1乘以 e 下标 t 减1，加上省略号，再加上 $θ_q$ 乘以 e 下标 t 减 q，最后加上 $e_t$ 。

符号

$\phi_i$

含义

自回归（AR）项的系数

适用范围

实数

$\theta_j$

依据清楚

视频直接表达

来源依据

公式
观察依据
$Y_t$ 等于 ω 加上 φ 下标1乘以 Y 下标 t 减1，加上省略号，再加上 $φ_p$ 乘以 Y 下标 t 减 p，再加上 θ 下标1乘以 e 下标 t 减1，加上省略号，再加上 $θ_q$ 乘以 e 下标 t 减 q，最后加上 $e_t$ 。

符号

$\theta_j$

含义

移动平均（MA）项的系数

适用范围

实数

$e_t$

依据清楚

视频直接表达

来源依据

公式
观察依据
$Y_t$ 等于 ω 加上 φ 下标1乘以 Y 下标 t 减1，加上省略号，再加上 $φ_p$ 乘以 Y 下标 t 减 p，再加上 θ 下标1乘以 e 下标 t 减1，加上省略号，再加上 $θ_q$ 乘以 e 下标 t 减 q，最后加上 $e_t$ 。

符号

$e_t$

含义

时刻 t 的白噪声误差项

适用范围

实数

p

依据清楚

视频直接表达

来源依据

公式
观察依据
$Y_t$ 等于 ω 加上 φ 下标1乘以 Y 下标 t 减1，加上省略号，再加上 $φ_p$ 乘以 Y 下标 t 减 p，再加上 θ 下标1乘以 e 下标 t 减1，加上省略号，再加上 $θ_q$ 乘以 e 下标 t 减 q，最后加上 $e_t$ 。

符号

含义

自回归（AR）部分的阶数

适用范围

非负整数

知识点 · 9

自回归（AR）模型的定义

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人指出，自回归（AR）模型仅依据该序列自身过去的取值（称为滞后项）来预测该序列。
图示
观察依据
幻灯片文字显示：“AR——仅依据序列自身过去的取值进行预测——称为滞后项。”

定义

解释

自回归（AR）模型仅利用该时间序列自身过去已观测到的取值（称为滞后项）来预测该序列。

公式

适用条件

预测一个时间序列
使用同一序列过去的取值

移动平均（MA）模型的定义

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人指出，移动平均（MA）模型依据该序列中过去误差项的取值（称为误差滞后项）来预测该序列。
图示
观察依据
幻灯片文字显示：“MA——仅依据序列中过去的误差项进行预测——称为误差滞后项。”

定义

解释

移动平均（MA）模型利用过去误差项（即冲击）来预测一个时间序列，这些误差项称为误差滞后项。

公式

适用条件

预测一个时间序列
使用过去的误差，而非过去的观测值

AR模型的长记忆解释

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人称，AR模型被称为长记忆模型，是因为可以递归地回溯时间，仍能看到滞后项的影响。
公式
观察依据
幻灯片先显示 $Y_t = \omega + \phi Y_{t-1} + e_t$ ，然后显示 $Y_t = \omega^* + \phi^2 Y_{t-2} + \phi e_{t-1} + e_t$ 。

待核验内容

该片段未说明无限向后展开所需的收敛条件。

定义

解释

AR模型被描述为长记忆模型，是因为早期观测值的影响可通过滞后的依赖关系递归地向后追溯。

公式

Y_t = \omega + \phi Y_{t-1} + e_t

适用条件

适用于自回归时间序列模型
假设向过去时间进行递归代入

先修条目

自回归（AR）模型的定义

ARMA模型的定义

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人指出，与其使用阶数非常大的AR模型或MA模型，不如将二者结合为ARMA模型；这类模型通常项数更少，但建模效果同样良好。
公式
观察依据
幻灯片标题为“自回归移动平均模型（ARMA）”，正文写道：“模型中同时包含AR项和MA项。”

待核验内容

ARMA模型‘通常项数更少但建模效果同样良好’这一说法在本片段中仅为定性陈述，未提供证明。

定义

解释

ARMA模型在一个方程中同时结合了过去观测值的自回归项与过去误差的移动平均项。

公式

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
既包含滞后观测值，也包含滞后误差

先修条目

自回归（AR）模型的定义
移动平均（MA）模型的定义

ARMA模型选择技术导论

依据清楚

视频直接表达

来源依据

图示
观察依据
最后一页幻灯片在“选择模型的几种不同技术”标题下列出了“绘制相关性模式”和“自动选择技术”。
声音
观察依据
主讲人开始转向如何确定模型阶数，但句子在解释前被截断。

待核验内容

视频片段在任何方法被详细讲解之前就结束了。
目前尚未展示具体的相关性图或选择准则。

方法

解释

视频介绍了两种确定模型阶数的方法：绘制相关性模式，以及使用自动选择技术。

公式

适用条件

用于决定应包含多少个AR项和MA项

先修条目

ARMA模型的定义

ARIMA 模型定义

依据清楚

视频直接表达

来源依据

公式
观察依据
$Y_t$ 等于 ω 加上 φ 下标1乘以 Y 下标 t 减1，加上省略号，再加上 $φ_p$ 乘以 Y 下标 t 减 p，再加上 θ 下标1乘以 e 下标 t 减1，加上省略号，再加上 $θ_q$ 乘以 e 下标 t 减 q，最后加上 $e_t$ 。

定义

解释

ARIMA 模型结合了自回归（AR）项和移动平均（MA）项，用于建模时间序列数据。其一般形式由所展示的方程给出。

公式

Y_t = \omega + \phi_1 Y_{t-1} + \dots + \phi_p Y_{t-p} + \theta_1 e_{t-1} + \dots + \theta_q e_{t-q} + e_t

适用条件

p 和 q 是非负整数
$e_t$ 是白噪声

自动选择技术

依据清楚

视频直接表达

来源依据

声音
观察依据
三种常用技术分别称为 MINIC、SCAN 和 ESACF。

方法

解释

MINIC、SCAN 和 ESACF 是用于为 ARIMA 模型选取合适自回归（AR）阶数与移动平均（MA）阶数的计算方法。

公式

适用条件

用作模型构建的起点

先修条目

ARIMA 模型定义

平稳性定义

依据清楚

视频直接表达

来源依据

公式
观察依据
幻灯片文字说明：‘分布仅依赖于时间差，而不依赖于时间上的位置。’
声音
观察依据
主讲人解释道：平稳性意味着你的数据分布仅取决于时间差，而不取决于时间上的绝对位置。

定义

解释

在时间序列语境中，平稳性是指数据的统计分布仅取决于观测之间的时间差，而非它们在时间轴上的绝对位置。

适用条件

适用于时间序列数据。

用于实现平稳性的差分法

依据清楚

视频直接表达

来源依据

公式
观察依据
幻灯片文字说明：‘本质上，你需要使数据平稳（通常通过差分实现）。’
声音
观察依据
说话人说：“通常，我们对数据取差分，以使数据变得平稳。”

方法

解释

差分是一种技术，通过计算相邻观测值之间的差值，将非平稳时间序列转化为平稳时间序列。

适用条件

当数据呈现非平稳性时使用。

先修条目

平稳性定义

定理与条件 · 3

AR(1) 可表示为 MA( $\infty$ )。

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人指出，若时间不加限制，AR模型即为一个无限阶的移动平均模型。
公式
观察依据
幻灯片标题变为‘AR(1) = MA( $\infty$ )’，并框出了展开式中仅含误差的部分。

待核验内容

该片段未说明无限移动平均表示所需的正式条件 $|\phi|<1$ 。

命题

通过对滞后期的 $Y$ 项进行递归地向后代入，AR(1) 模型可重写为以过去误差项表示的无限移动平均形式。

前提

从形如 1 的 AR( $Y_t = \omega + \phi Y_{t-1} + e_t$ ) 方程出发。
将递归过程持续回溯足够长的时间。
该片段未明确指出无限极限成立所必需的通常收敛性/平稳性条件。

量词

对于所示的 AR(1) 模型，若不限制时间范围，则反复向后代入将得到一个包含无穷多个滞后误差项的表达式。

长记忆 AR 效应源于短记忆 MA 效应的累积。

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人称 AR 与 MA 模型本质上互为对立，并指出短记忆 MA 效应的累积形成了长记忆 AR 效应。
图示
观察依据
幻灯片标题为‘长记忆与短记忆？’，底部文字为‘大量短记忆效应的集合！’

待核验内容

这是一种直观刻画，而非该片段中给出的形式化定理陈述。

命题

视频将 AR 与 MA 模型呈现为相互关联的对立面：众多短记忆 MA 效应叠加，从而产生与 AR 模型相关的长记忆行为。

前提

使用自回归模型向滞后误差项的递归展开。
将每个滞后误差的贡献解释为短期记忆效应。

量词

关于自回归表示与移动平均表示之间关系的定性论断。

自动选择技术的目的

依据清楚

视频直接表达

来源依据

声音
观察依据
不过，这些技术仅是起点……它们为你提供良好的初始模型，你可在此基础上进一步调整，以期构建更优的模型。

命题

自动选择技术提供可经由试错法不断优化的初始模型。

前提

适用于 ARIMA 模型构建

量词

对于所有自动选择技术

推导与证明 · 5

将AR(1)递归展开为移动平均形式。

依据清楚

视频直接表达

来源依据

声音
观察依据
讲述者解释道：递归地回溯至首个观测值 $Y_1$ ，然后将等式右侧视为一个大型移动平均项。

待核验内容

从 $\omega^*$ 推导出 $\omega$ 的代数过程在屏幕上被省略。
从有限的 $t$ 过渡到无限移动平均表示这一过程是通过口头陈述断言的，而非严格证明。
该片段未提及平稳性条件 $|\phi|<1$ 。

严格证明

步骤

公式
$Y_t = \omega + \phi Y_{t-1} + e_t$
解释
从幻灯片上展示的AR(1)模型出发。
步骤依据
给定的模型方程。
视频直接表达
公式
$Y_t = \omega^* + \phi^2 Y_{t-2} + \phi e_{t-1} + e_t$
解释
再向后一步代入滞后依赖关系，使得 $Y_t$ 用 $Y_{t-2}$ 及更早的误差表示。
步骤依据
将自回归关系反复代入自身。
视频直接表达
公式
$\vdots$
解释
持续进行相同的反向代入操作。
步骤依据
将递归关系进一步向过去迭代。
视频直接表达
公式
$Y_t = \omega^* + \phi^t Y_1 + \phi^{t-1} e_2 + \phi^{t-2} e_3 + \cdots + e_t$
解释
当完全展开至第一个观测值后，表达式包含一个含 $Y_1$ 的项，以及过去误差的加权和。
步骤依据
有限步反向展开至初始观测值。
视频直接表达
公式
$\phi^{t-1} e_2 + \phi^{t-2} e_3 + \cdots + e_t$
解释
方框标出的部分分离出了累积的误差项，主讲人将其识别为一个大型移动平均成分。
步骤依据
视觉上突出显示展开后方程中仅含误差的部分。
视频直接表达
公式
$AR(1) = MA(\infty)$
解释
若递归不于某个有限的初始观测值处终止，则误差展开将无限延续，从而得到一个无限移动平均表示。
步骤依据
主讲人口头总结，并同步切换幻灯片标题。
视频直接表达

结论

AR(1) 模型可重写为关于过去误差的无限移动平均模型，由此引出本页幻灯片的结论：AR(1)=MA( $\infty$ )。

MINIC 方法推导

依据清楚

视频直接表达

来源依据

声音
观察依据
MINIC……在自回归（AR）项与移动平均（MA）项构成的网格搜索范围内，构建大量模型组合；随后选出贝叶斯信息准则最低的模型。

直观解释

步骤

公式
解释
构建可能的自回归（AR）阶数与移动平均（MA）阶数的组合网格。
步骤依据
网格搜索法
视频直接表达
公式
解释
对网格中的每种组合拟合 ARIMA 模型。
步骤依据
模型拟合过程
视频直接表达
公式
解释
选取贝叶斯信息准则（BIC）最小的模型。
步骤依据
优化准则
视频直接表达

结论

MINIC 基于 BIC 选择最优的 ARIMA 模型。

SCAN 方法推导

依据清楚

视频直接表达

来源依据

声音
观察依据
SCAN 法……先观察数据的相关矩阵，再将其与自身的滞后项进行比较，接着分析该相关矩阵的特征值……我们的目标是找出使典型相关系数近似为零的 AR 与 MA 项的组合。

直观解释

步骤

公式
解释
计算时间序列数据的相关矩阵。
步骤依据
相关性分析
视频直接表达
公式
解释
将相关系数矩阵与其滞后版本进行比较。
步骤依据
滞后比较
视频直接表达
公式
解释
从该比较中提取特征值（即典型相关系数的平方）。
步骤依据
特征值分解
视频直接表达
公式
解释
识别典型相关系数趋近于零的自回归（AR）阶数与移动平均（MA）阶数。
步骤依据
零相关性判据
视频直接表达

结论

SCAN 方法通过最小化典型相关系数来识别合适的 ARIMA 模型。

ESACF 方法推导

依据清楚

视频直接表达

来源依据

声音
观察依据
ESACF……我们知道自回归项与移动平均项是相互关联的。本质上，我们是在逐次滤除自回归项，直至仅剩下移动平均部分。若滤除后仍存在自回归相关性，则说明自回归项尚未滤除充分。

直观解释

步骤

公式
解释
逐次滤除自回归项。
步骤依据
逐次滤波
视频直接表达
公式
解释
在每一步滤波后检查剩余的自相关性。
步骤依据
残差相关性检验
视频直接表达
公式
解释
持续滤波，直至仅剩MA成分。
步骤依据
终止条件
视频直接表达

结论

ESACF通过迭代AR滤波分离MA成分，从而确定ARIMA阶数。

ARIMA(1,1,1) 模型的推导

依据清楚

视频直接表达

来源依据

公式
观察依据
幻灯片显示 ARIMA(1,1,1) 模型及其方程： $Y_t - Y_{t-1} = W_t$ 和 $W_t = \omega + \phi_1 W_{t-1} + \theta_1 e_{t-1} + e_t$ 。
声音
观察依据
说话人解释：对于 ARIMA(1,1,1) 模型，我们首先取 $d=1$ 阶差分，将 Y 转化为 W；然后 W 具有滞后阶数 $p=1$ ，误差具有滞后阶数 $q=1$ 。

严格证明

步骤

公式
$Y_t - Y_{t-1} = W_t$
解释
对原始时间序列 $Y_t$ 施加一阶差分（ $d=1$ ），得到平稳序列 $W_t$ 。
步骤依据
为实现平稳性而定义的差分。
视频直接表达
公式
$W_t = \omega + \phi_1 W_{t-1} + \theta_1 e_{t-1} + e_t$
解释
对差分后序列 $W_t$ 使用 ARMA(1,1) 过程建模，其中包含一个自回归项（ $p=1$ ）和一个移动平均项（ $q=1$ ）。
步骤依据
应用于差分后序列的 ARMA(p,q) 模型定义。
视频直接表达

结论

ARIMA(1,1,1) 模型由对原始序列取一阶差分，再对所得差分序列拟合一个 ARMA(1,1) 模型构成。

例题详解 · 2

SCAN示例模型

依据清楚

视频直接表达

来源依据

声音
观察依据
这是一个AR3MA0模型。这是另一个AR2MA2模型。这 yet another 是一个AR0MA3模型。

题目

使用SCAN法识别有效的ARIMA模型。

已知条件

相关矩阵及其滞后项

目标

寻找具有近零典型相关系数的AR阶数与MA阶数。

步骤

公式
解释
检查相关矩阵中的模式。
步骤依据
目视检验
视频直接表达
公式
解释
识别指示典型相关系数较低的矩形区域。
步骤依据
模式识别
视频直接表达

结果

有效的模型包括 AR(3,0)、AR(2,2) 和 AR(0,3)。

检验

各模型表现出极小的典型相关系数。

ARIMA(1,1,1) 示例

依据清楚

视频直接表达

来源依据

公式
观察依据
幻灯片明确显示标题“ARIMA(1,1,1)”及对应的方程。
声音
观察依据
主讲人说：“如果我们有一个 ARIMA 1 1 1 模型，那么它具有如下……”

题目

构建 ARIMA(1,1,1) 模型的数学表达式。

已知条件

$p = 1$ （一个自回归项）
$d = 1$ （一次一阶差分）
$q = 1$ （一个移动平均项）

目标

写出定义 ARIMA(1,1,1) 过程的方程。

步骤

公式
$Y_t - Y_{t-1} = W_t$
解释
对原始序列 $Y_t$ 进行一阶差分。
步骤依据
$d = 1$ 表示进行一阶差分。
视频直接表达
公式
$W_t = \omega + \phi_1 W_{t-1} + \theta_1 e_{t-1} + e_t$
解释
写出差分序列 $W_t$ 的 ARMA(1,1) 方程。
步骤依据
$p = 1$ 且 $q = 1$ 表示包含一个自回归项和一个移动平均项。
视频直接表达

结果

ARIMA(1,1,1) 模型由以下方程组定义： $Y_t - Y_{t-1} = W_t$ ，且 $W_t = \omega + \phi_1 W_{t-1} + \theta_1 e_{t-1} + e_t$ 。

检验

与视频中呈现的视觉公式及语音讲解相吻合。

图示与动画 · 6

AR与MA回顾的销售时间序列示意图

依据清楚

视频直接表达

来源依据

图示
观察依据
一张题为‘回顾自回归与移动平均模型？’的幻灯片，展示一幅时间序列图，纵轴为‘销售额（百万美元）’，横轴日期范围从 $1/7/2005$ 至 $5/19/2005$ 。
动画
观察依据
在约21年代及再次在约28年代，橙色圆圈高亮图中对应点，同时主讲人回顾自回归与移动平均的定义。

待核验内容

该图表以可视化方式阐释滞后与误差概念，但未在口头讲解中说明所高亮点的具体数值。

图中对象

随时间变化的销售额折线图
橙色高亮圆圈
项目符号文字定义AR与MA

变化过程

静态图表保留在屏幕上，同时橙色圆圈出现在所选数据点周围。
幻灯片焦点从AR的项目符号切换至MA的项目符号。

不变量

坐标轴始终为“销售额（百万美元）”对日期。
AR与MA的文字定义持续可见。

数学含义

该视觉呈现有助于口头区分预测中使用的历史观测值（滞后项）与历史误差（误差滞后项）。

幻灯片递进演示自回归递归展开过程

依据清楚

视频直接表达

来源依据

图示
观察依据
幻灯片依次展示“AR与MA之间的关系”、“继续做数学……”、“AR(1) = MA( $\infty$ )”、“长记忆与短记忆？”，同时保留相同的递推方程。
动画
观察依据
一条橙色弧形箭头将第一个AR方程连接至代入后的第二个方程；随后一个橙色方框突出显示误差求和部分。

待核验内容

推导出 $\omega^*$ 的中间代数步骤未逐步展示。

图中对象

AR(1) 方程
代入 $Y_{t-2}$ 后的方程
省略号行
展开后的方程，以 $Y_1$ 和误差项结尾
橙色箭头与橙色框

变化过程

随着递归不断延伸，方程逐层向下累积。
标题依次变化：从‘关系建模’变为‘坚持做数学……’，再变为‘AR(1) = MA( $\infty$ )’，最后变为‘长记忆与短记忆？’
仅含误差的尾部被加框以作强调。

不变量

核心模型始终是一个正在被重写的 AR(1) 方程。
左侧始终为 $Y_t$ 。

数学含义

动画直观展示了反复代入如何将滞后观测值转化为对过去误差的不断增长的加权和。

模型定阶技术网格图

依据清楚

视频直接表达

来源依据

图示
观察依据
三张标有 MINIC、SCAN 和 ESACF 的网格图，分别展示自回归（AR）阶数与滑动平均（MA）阶数的关系。

图中对象

MINIC 网格图
SCAN 网格图
ESACF 网格图

变化过程

网格中特定单元格被高亮显示

不变量

网格结构保持不变

数学含义

每张网格代表一种不同的 ARIMA 模型阶数评估方法。

自动选择技术网格

依据清楚

视频直接表达

来源依据

图示
观察依据
展示了三个标注为 MINIC、SCAN 和 ESACF 的 $5\times 5$ 网格，其横轴标为 AR（0–4），纵轴标为 MA（0–4）。不同单元格被着色，以指示可能的模型阶数。

图中对象

MINIC 网格
SCAN 网格
ESACF 网格
AR 轴
MA 轴
着色单元格

变化过程

幻灯片从选择网格过渡到平稳性幻灯片。

不变量

所有三个网格中，横轴始终为 AR（0–4），纵轴始终为 MA（0–4）。

数学含义

每个网格中的阴影区域表示各自自动选择技术所建议的AR阶数与MA阶数的组合。讲解者指出，应寻找右上角的三角形及其顶点，以识别如ARMA(1,1)、ARMA(2,2)等模型。

ARIMA符号解析

依据清楚

视频直接表达

来源依据

图示
观察依据
幻灯片显示“ARIMA(p, d, q)”，并配有指向p、d和q定义的箭头。

图中对象

ARIMA(p, d, q) 文字
箭头
p、d、q 的标签

变化过程

幻灯片从平稳性过渡到ARIMA符号表示。

数学含义

以可视化方式拆解ARIMA缩写，将各参数（p、d、q）与其在模型结构中的具体含义一一对应。

ARIMA(1,1,1) 方程可视化

依据清楚

视频直接表达

来源依据

图示
观察依据
幻灯片显示“ARIMA(1,1,1)”，其下方列出两个方程，并用箭头表示从 $Y_t$ 到 $W_t$ 的变换过程，再引出ARMA方程。

图中对象

ARIMA(1,1,1) 文字
差分方程
ARMA方程
连接箭头

变化过程

幻灯片过渡：从一般记号到具体示例。

数学含义

图示ARIMA(1,1,1)模型的逐步构建过程，展示差分如何生成新序列，该新序列再用ARMA项建模。

易错点 · 3

切勿混淆AR滞后项与MA误差滞后项。

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人明确对比了自回归（AR）模型与移动平均（MA）模型：AR模型使用称为‘滞后项’的过去观测值，而MA模型则使用称为‘误差滞后项’的过去误差。
图示
观察依据
幻灯片以并列的项目符号形式分别呈现了这两种定义。

误区

有人可能认为AR模型与MA模型仅在名称上不同，或误以为二者使用同一种类型的过去信息。

说明

AR模型使用该时间序列过去已观测到的值；MA模型则使用该时间序列过去产生的误差项（即冲击）。

AR中的长记忆并不意味着存在单一的、直接的长滞后项。

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人指出AR模型是长记忆模型，随后解释道：它们可被视作一系列短记忆MA效应的集合。
图示
观察依据
幻灯片标题‘长记忆与短记忆？’以及框出的误差和式支持这一理解。

待核验内容

该片段提供的是直观理解，而非严格的记忆衰减分析。

误区

有人可能认为‘长记忆’是指模型仅依赖于某一个遥远的滞后项。

说明

此处‘长记忆’指的是：AR模型的递归结构使得众多过去的冲击得以累积，从而产生一个实质上为无限阶的MA表示。

关于自动选择的常见误解

依据清楚

视频直接表达

来源依据

声音
观察依据
不过，这些技术仅是起点……它们为你提供良好的初始模型，你可在此基础上进一步调整，以期构建更优的模型。

误区

自动选择技术提供最终的最优模型。

说明

它们提供需要进一步优化的初始模型。

概念关系 · 7

自回归（AR）模型的定义 → ARMA模型的定义

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人指出ARMA模型将AR项与MA项结合在一起。
公式
观察依据
ARMA方程同时包含 $\phi_i Y_{t-i}$ 项和 $\theta_j e_{t-j}$ 项。

包含

解释

ARMA模型在其一般形式中，包含自回归项作为其中一个组成部分。

移动平均（MA）模型的定义 → ARMA模型的定义

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人指出，ARMA将AR模型与MA模型整合到同一个框架中。
公式
观察依据
ARMA方程包含带系数 $\theta_1,\ldots,\theta_q$ 的滞后误差项。

包含

解释

ARMA模型在其一般形式中，包含移动平均项作为另一个组成部分。

AR模型的长记忆解释 → AR(1) 可表示为 MA( $\infty$ )。

依据清楚

视频直接表达

来源依据

公式
观察依据
经过递归展开后，幻灯片标题变为'AR(1) = MA( $\infty$ )'。
声音
观察依据
主讲人指出，若时间不停止，AR模型即为一个无限阶移动平均模型。

待核验内容

该片段中省略了等价性的严格条件。

等价

解释

在本视频所采用的递归论证下，长记忆AR表示被证明等价于无限阶MA表示。

ARMA模型的定义 → ARMA模型选择技术导论

依据清楚

视频直接表达

来源依据

图示
观察依据
标题为'如何确定p个数与q个数……'的幻灯片紧接在ARMA定义幻灯片之后出现。
声音
观察依据
主讲人从定义ARMA模型自然过渡到探讨如何确定模型阶数。

待核验内容

本片段尚未讲解实际的模型阶数选择方法。

应用

解释

一旦定义了ARMA模型，下一个问题就是选择阶数 $p$ 和 $q$ 。

ARIMA 模型定义 → 自动选择技术

依据清楚

视频直接表达

来源依据

声音
观察依据
如何确定p和q的个数……有若干种不同的模型选择技术……

应用

解释

自动选择技术适用于确定ARIMA模型中的参数。

用于实现平稳性的差分法 → 平稳性定义

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人将使数据平稳与取差分联系起来。
公式
观察依据
幻灯片文字将‘使您的数据平稳’与‘（通常通过差分实现）’关联起来。

应用

解释

差分是一种用于实现时间序列数据平稳性的方法。

用于实现平稳性的差分法 → ARIMA(1,1,1) 模型的推导

依据清楚

视频直接表达

来源依据

公式
观察依据
ARIMA(p,d,q)记号中，‘d’表示一阶差分，而ARIMA(1,1,1)示例展示了差分方程。

证明依赖

解释

ARIMA模型的推导与理解依赖于差分这一概念，以处理非平稳数据。

问题定位 · 9

什么是ARMA模型？它的一般方程是什么？

依据清楚

视频直接表达

来源依据

公式
观察依据
ARMA方程显示在屏幕上。
声音
观察依据
主讲人将ARMA定义为自回归（AR）项与移动平均（MA）项的组合。

涉及知识点

ARMA模型的定义

为什么AR模型被称为长记忆模型？

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人称AR模型为长记忆模型，并解释其递归的向后依赖关系。
公式
观察依据
递归展开幻灯片展示了 $Y_t$ 如何用更早的 $Y$ 和 $e$ 值来重写。

涉及知识点

AR模型的长记忆解释
AR(1) 可表示为 MA( $\infty$ )。

AR滞后项与MA误差滞后项的区别是什么？

依据清楚

视频直接表达

来源依据

图示
观察依据
幻灯片分别通过滞后项与误差滞后项来定义AR和MA。
声音
观察依据
主讲人对比了过去取值与过去误差。

涉及知识点

自回归（AR）模型的定义
移动平均（MA）模型的定义

如何确定ARMA模型中应包含多少个AR项和MA项？

依据清楚

视频直接表达

来源依据

图示
观察依据
最后一张幻灯片列出了两种模型选择方法。
声音
观察依据
主讲人在片段结束前开始过渡到如何确定模型阶数。

待核验内容

仅列出了方法的名称，未展示详细步骤。

涉及知识点

ARMA模型选择技术导论

如何选择ARIMA模型中的p和q？

依据清楚

视频直接表达

来源依据

声音
观察依据
我该如何确定ARIMA模型中自回归（AR）项和移动平均（MA）项的个数？

涉及知识点

ARIMA 模型定义
自动选择技术

平稳性在时间序列分析中意味着什么？

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人定义平稳性。
公式
观察依据
幻灯片文字定义平稳性。

涉及知识点

平稳性定义

如何使时间序列数据变得平稳？

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人讲解如何通过差分使数据平稳。
公式
观察依据
幻灯片文字提到为实现平稳性而进行差分。

涉及知识点

用于实现平稳性的差分法

ARIMA 模型中的参数 p、d 和 q 分别代表什么？

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人定义参数 p、d 和 q。
公式
观察依据
幻灯片以图示方式分解 ARIMA(p,d,q) 模型。

涉及知识点

您能给我展示一个 ARIMA(1,1,1) 模型及其对应方程的示例吗？

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人逐步讲解 ARIMA(1,1,1) 的示例。
公式
观察依据
幻灯片展示了 ARIMA(1,1,1) 的方程。

涉及知识点

ARIMA(1,1,1) 示例
ARIMA(1,1,1) 模型的推导

覆盖情况与待核验内容

已覆盖 · 标题卡片《什么是ARIMA模型？》，除主题介绍外不含任何数学内容。

已覆盖 · 复习幻灯片将AR定义为使用过去值（滞后项），将MA定义为使用过去误差（误差滞后项），并配有一张销售时间序列图。

已覆盖 · 幻灯片《AR与MA的关系》及《坚持学数学……》引入了AR(1)模型的递归代入法。

已覆盖 · 幻灯片《AR(1) = MA( $\infty$ )》及《长记忆与短记忆？》强调AR具有无限移动平均解释。

已覆盖 · 展示了通用ARMA方程，并通过口头说明将其阐释为AR项与MA项的组合。

已覆盖 · 最后一张幻灯片介绍了两种模型选择方法：相关性绘图法与自动选择技术。

已覆盖 · ARIMA模型结构简介

已覆盖 · 自动选择技术说明

已覆盖 · 讨论自动定阶技术（MINIC、SCAN、ESACF），利用网格法识别 ARMA 模型的阶数。

已覆盖 · 解释 ARIMA 中的 'I'，定义平稳性以及通过差分实现平稳性的方法。

已覆盖 · 解析标准 ARIMA(p, d, q) 记号及各参数的含义。

已覆盖 · 构建 ARIMA(1,1,1) 模型的详细示例，展示差分步骤及随后的 ARMA 方程。

已覆盖 · 总结本视频关于 ARIMA 模型及其阶数选择的核心内容。

探索视频中的知识

打开视频知识图谱 →

ARIMA 与差分讲解定位 2:00
查看关联依据
已审核中文素材 v1：知识卡片（概念卡片）「ARIMA 模型定义」从 2:00 起——ARIMA 模型融合了自回归（AR）与移动平均（MA）成分，用于预测时间序列数据。其一般形式包含常数项、AR 项、MA 项以及白噪声误差项。 $Y_t = \omega + \phi_1 Y_{t-1} + \dots + \phi_p Y_{t-p} + \theta_1 e_{t-1} + \dots + \theta_q e_{t-q} + e_t$
时间序列与指数平滑讲解定位 4:11
查看关联依据
已审核中文素材 v1：知识卡片（概念卡片）「移动平均模型使用过去的误差」从 4:11 起——移动平均模型被定义为利用过去误差项（称为误差滞后项）进行预测的模型。视频片段强调，这些误差是作用于该序列的冲击，而非此前观测到的数值。

这个视频解答的问题

认识概念

掌握方法

掌握方法

认识概念

认识概念

认识概念

理解原因

认识概念

什么是 ARIMA 模型

把讲解展开来看。

章节

学习解说文稿

知识卡片

AR 模型利用过去的观测值

移动平均模型使用过去的误差

自回归模型是长记忆模型

自回归模型 AR(1) 的递归展开

AR(1) = MA(∞\infty ∞)

长记忆即短记忆效应的累积

一般 ARMA 模型

ARMA 模型中 p 与 q 的选取

ARIMA 模型定义

自动选择技术

MINIC 方法

SCAN 方法

ESACF 方法

自动模型选择网格

时间序列的平稳性

为实现平稳性而进行的差分

ARIMA(p, d, q) 表示法

示例：ARIMA(1,1,1) 模型

详细学习笔记

YtY_tYt​

ete_tet​

ϕ\phiϕ, ϕ1\phi_1ϕ1​,…\ldots…,ϕp\phi_pϕp​

θ1\theta_1θ1​,…\ldots…,θq\theta_qθq​

ω\omegaω,\ ω∗\omega^*ω∗

p,\ q

YtY_tYt​

ω\omegaω

ϕi\phi_iϕi​

θj\theta_jθj​

ete_tet​

p

自回归（AR）模型的定义

移动平均（MA）模型的定义

AR模型的长记忆解释

ARMA模型的定义

ARMA模型选择技术导论

ARIMA 模型定义

自动选择技术

平稳性定义

用于实现平稳性的差分法

AR(1) 可表示为 MA(∞\infty ∞)。

长记忆 AR 效应源于短记忆 MA 效应的累积。

自动选择技术的目的

将AR(1)递归展开为移动平均形式。

MINIC 方法推导

SCAN 方法推导

ESACF 方法推导

ARIMA(1,1,1) 模型的推导

SCAN示例模型

ARIMA(1,1,1) 示例

AR与MA回顾的销售时间序列示意图

幻灯片递进演示自回归递归展开过程

模型定阶技术网格图

自动选择技术网格

ARIMA符号解析

ARIMA(1,1,1) 方程可视化

切勿混淆AR滞后项与MA误差滞后项。

AR中的长记忆并不意味着存在单一的、直接的长滞后项。

关于自动选择的常见误解

自回归（AR）模型的定义 → ARMA模型的定义

移动平均（MA）模型的定义 → ARMA模型的定义

AR模型的长记忆解释 → AR(1) 可表示为 MA(∞\infty ∞)。

ARMA模型的定义 → ARMA模型选择技术导论

ARIMA 模型定义 → 自动选择技术

用于实现平稳性的差分法 → 平稳性定义

用于实现平稳性的差分法 → ARIMA(1,1,1) 模型的推导

什么是ARMA模型？它的一般方程是什么？

为什么AR模型被称为长记忆模型？

AR滞后项与MA误差滞后项的区别是什么？

如何确定ARMA模型中应包含多少个AR项和MA项？

如何选择ARIMA模型中的p和q？

平稳性在时间序列分析中意味着什么？

如何使时间序列数据变得平稳？

ARIMA 模型中的参数 p、d 和 q 分别代表什么？

您能给我展示一个 ARIMA(1,1,1) 模型及其对应方程的示例吗？

AR(1) = MA( $\infty$ )

$Y_t$

$e_t$

$\phi$ , $\phi_1$ , $\ldots$ , $\phi_p$

$\theta_1$ , $\ldots$ , $\theta_q$

$\omega$ ,\ $\omega^*$

$Y_t$

$\omega$

$\phi_i$

$\theta_j$

$e_t$

AR(1) 可表示为 MA( $\infty$ )。

AR模型的长记忆解释 → AR(1) 可表示为 MA( $\infty$ )。