自回归AR模型、移动平均MA模型与自回归移动平均ARMA模型的比较分析 系统中某一因素变量的时间序列数据没有确定的变化形式，也不能用时间的确定函数描述，但可以用概率统计方法寻求比较合适的随机模型近似反映其变化规律。(自变量不直接含有时间变量,但隐含时间因素) 1． 自回归AR(p)模型 （R：模型的名称 P：模型的参数）（自己影响自己，但可能存在误差，误差即没有考虑到的因素） (1)模型形式（εt越小越好，但不能为 0：ε为 0表示只受以前 Y的历史的影响不受其他因素影响） yt=φ1yt-1+φ2yt-2+……+φpyt-p+εt 式中假设：yt的变化主要与时间序列的历史数据有关，与其它因素无关； εt不同时刻互不相关，εt与yt历史序列不相关。 式中符号：p模型的阶次，滞后的时间周期，通过实验和参数确定； yt当前预测值，与自身过去观测值 yt-1、…、yt-p是同一序列不同时刻的随机变量，相互间有线性关系，也反映时间滞后关系； yt-1、yt-2、……、yt-p同一平稳序列过去 p个时期的观测值； φ1、φ2、……、φp自回归系数，通过计算得出的权数，表达 yt依赖于过去的程度，且这种依赖关系恒定不变； εt随机干扰误差项，是 0均值、常方差σ2、独立的白噪声序列，通过估计指定的模型获得。 (2)识别条件 当 k>p时，有φk=0或φk服从渐近正态分布 N(0,1/n)且(|φk|>2/n1/2)的个数≤4.5%，即平稳时间序列的偏相关系数φk为 p步截尾，自相关系数 rk逐步衰减而不截尾，则序列是 AR(p)模型。 实际中，一般 AR过程的 ACF函数呈单边递减或阻尼振荡，所以用PACF函数判别(从 p阶开始的所有偏自相关系数均为 0)。 (3)平稳条件 一阶：|φ1|<1。二阶：φ1+φ2<1、φ1-φ2<1、|φ2|<1。φ越大，自回归过程的波动影响越持久。 (4)模型意义 仅通过时间序列变量的自身历史观测值来反映有关因素对预测目标的影响和作用，不受模型变量相互独立的假设条件约束，所构成的模型可以消除普通回归预测方法中由于自变量选择、多重共线性等造成的困难。 2．移动平均 MA(q)模型 (1)模型形式 yt=εt-θ1εt-1-θ2εt-2-……-θpεt-p (2)模型含义 用过去各个时期的随机干扰或预测误差的线性组合来表达当前预测值。 AR(p)的假设条件不满足时可以考虑用此形式。 总满足平稳条件，因其中参数θ取值对时间序列的影响没有AR模型中参数p的影响强烈，即这里较大的随机变化不会改变时间序列的方向。 (3)识别条件 当k>q时，有自相关系数rk=0或自相...
