新闻资讯
看你所看,想你所想

ARMA模型

ARMA模型

ARMA模型

自回归滑动平均模型(英语:Autoregressive moving average model,简称:ARMA模型)。是研究时间序列的重要方法,由自回归模型(简称AR模型)与移动平均模型(简称MA模型)为基础“混合”构成。在市场研究中常用于长期追蹤资料的研究,如:Panel研究中,用于消费行为模式变迁研究;在零售研究中,用于具有季节变动特徵的销售量、市场规模的预测等。

基本介绍

  • 中文名:自回归滑动平均模型
  • 外文名:Auto-Regressive and Moving Average Model
  • 套用对象:时间序列研究
  • 模型构成:自回归模型与滑动平均模型混合
  • 实践领域:经济计量,工程预测
  • 套用学科:数学,统计学

定义

ARMA模型(auto regressive moving average model)自回归滑动平均模型,模型参量法高解析度谱分析方法之一。这种方法是研究平稳随机过程有理谱的典型方法,适用于很大一类实际问题。它比AR模型法与MA模型法有较精确的谱估计及较优良的谱解析度性能,但其参数估算比较繁琐。
ARMA模型参数估计的方法很多:
如果模型的输入序列{u(n)}与输出序列{a(n)}均能被测量时,则可以用最小二乘法估计其模型参数,这种估计是线性估计,模型参数能以足够的精度估计出来;
许多谱估计中,仅能得到模型的输出序列{x(n)},这时,参数估计是非线性的,难以求得ARMA模型参数的準确估值。从理论上推出了一些ARMA模型参数的最佳估计方法,但它们存在计算量大和不能保证收敛的缺点。因此工程上提出次最佳方法,即分别估计AR和MA参数,而不像最佳参数估计中那样同时估计AR和MA参数,从而使计算量大大减少。

基本原理

将预测指标随时间推移而形成的数据序列看作是一个随机序列,这组随机变数所具有的依存关係体现着原始数据在时间上的延续性。一方面,影响因素的影响,另一方面,又有自身变动规律,假定影响因素为x1,x2,…,xk,由回归分析,
其中Y是预测对象的观测值,Z为误差。作为预测对象Yt受到自身变化的影响,其规律可由下式体现,
误差项在不同时期具有依存关係,由下式表示,
由此,获得ARMA模型表达式:

基本形式

ARMA模型分为以下三种:
自回归模型(AR:Auto-regressive)
如果时间序列
满足
其中
是独立同分布的随机变数序列,且满足:
以及 E(
) = 0,则称时间序列
为服从p阶的自回归模型。
ARMA模型
自回归模型的平稳条件:
滞后运算元多项式
的根均在单位圆外,即φ(B) = 0的根大于1。
移动平均模型(MA:Moving-Average)
如果时间序列
满足
则称时间序列
为服从q阶移动平均模型;移动平均模型平稳条件:任何条件下都平稳。
自回归滑动平均模型(ARMA)
如果时间序列
满足:
则称时间序列
为服从(p,q)阶自回归滑动平均混合模型。或者记为φ(B)
= θ(B)

AR 模型

AR 模型(auto regressive model)自回归模型,模型参量法高解析度谱分析方法之一,也是现代谱估计中常用的模型。
用AR模型法求信具体作法是:
①选择AR模型,在输入是冲激函式或白噪声的情况下,使其输出等于所研究的信号,至少,应是对该信号的一个好的近似。
②利用已知的自相关函式或数据求模型的参
数。
③利用求出的模型参数估计该信号的功率谱。

MA模型

MA模型(moving average model)滑动平均模型,模型参量法谱分析方法之一,也是现代谱估中常用的模型。
用MA模型法求信号谱估计的具体作法是:①选择MA模型,在输入是冲激函式或白噪声情况下,使其输出等于所研究的信号,至少应是对该信号一个好的近似。②利用已知的自相关函式或数据求MA模型的参数。③利用求出的模型参数估计该信号的功率谱。
在ARMA参数谱估计中,大多数估计ARMA参数的两步方法都首先估计AR参数,然后在这些AR参数基础上,再估计MA参数,然后可求出ARMA参数的谱估计。所以MA模型参数估计常作为ARMA参数谱估计的过程来计算。

套用

可以用于处理分离正弦信号频率,多套用于机械零件比如齿轮、轴承故障诊断和分析。

相关条目

  • 自回归模型(AR模型)
  • 向量自回归模型(VAR模型)
  • 差分自回归滑动平均模型(ARIMA模型)
  • 格兰杰因果关係(Granger Causality)

转载请注明出处海之美文 » ARMA模型

相关推荐

    声明:此文信息来源于网络,登载此文只为提供信息参考,并不用于任何商业目的。如有侵权,请及时联系我们:ailianmeng11@163.com