ARIMA模型 - [SPSS Python]
简介：
ARIMA模型：（英语：Autoregressive Integrated Moving Average model），差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），是时间序列预测分析方法之一。AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。
由于毕业论文要涉及到时间序列的数据（商品的销量）进行建模与分析，主要是对时间序列的数据进行预测，在对数据进行简单的散点图观察时，发现数据具有季节性，也就是说：数据波动呈现着周期性，并且前面的数据会对后面的数据产生影响，这也符合商品的销量随时间波动的影响。于是选择了ARIMA模型，那为什么不选择AR模型、MA模型、ARMA模型？？？
于是，通过这篇博客，你将学到：
（1）通过SPSS操作ARIMA模型
（2）运用python进行白噪声数据判断
（3）为什么差分，怎么定阶
PS：在博客结尾，会附录上Python进行ARIMA模型求解的代码。
为什么会使用SPSS？
由于真香定理，在SPSS里有ARIMA、AR、MA模型的各种操作；还包括异常值处理，差分，白噪声数据判断，以及定阶。 一种很方便又不用编程还可以避免改代码是不是很爽…
好啦，使用ARIMA模型的原因：
在过去的数据对今天的数据具有一定的影响，如果过去的数据没有对如今的数据有影响时，不适合运用ARIMA模型进行时间序列的预测。
使用ARIMA进行建模的步骤：
原创文章 17获赞 24访问量 2759
关注
私信
展开阅读全文
作者：三个半_Z
