arima模型python 怎么看平稳性

时间序列分析(一) 如何判断序列是否平稳

创新互联建站是一家专注于成都网站建设、成都网站设计与策划设计,璧山网站建设哪家好?创新互联建站做网站,专注于网站建设十年,网设计领域的专业建站公司;建站业务涵盖:璧山等地区。璧山做网站价格咨询:028-86922220

序列平稳不平稳，一般采用两种方法：

第一种：看图法

图是指时序图，例如(eviews画滴)：

分析：什么样的图不平稳，先说下什么是平稳，平稳就是围绕着一个常数上下波动。

看看上面这个图，很明显的增长趋势，不平稳。

第二种：自相关系数和偏相关系数

还以上面的序列为例：用eviews得到自相关和偏相关图，Q统计量和伴随概率。

分析：判断平稳与否的话，用自相关图和偏相关图就可以了。

平稳的序列的自相关图和偏相关图不是拖尾就是截尾。截尾就是在某阶之后，系数都为 0 ，怎么理解呢，看上面偏相关的图，当阶数为 1 的时候，系数值还是很大， 0.914. 二阶长的时候突然就变成了 0.050. 后面的值都很小，认为是趋于 0 ，这种状况就是截尾。再就是拖尾，拖尾就是有一个衰减的趋势，但是不都为 0 。

自相关图既不是拖尾也不是截尾。以上的图的自相关是一个三角对称的形式，这种趋势是单调趋势的典型图形。

下面是通过自相关的其他功能

如果自相关是拖尾，偏相关截尾，则用 AR 算法

如果自相关截尾，偏相关拖尾，则用 MA 算法

如果自相关和偏相关都是拖尾，则用 ARMA 算法， ARIMA 是 ARMA 算法的扩展版，用法类似 。

不平稳，怎么办？

答案是差分

还是上面那个序列，两种方法都证明他是不靠谱的，不平稳的。确定不平稳后，依次进行1阶、2阶、3阶...差分，直到平稳位置。先来个一阶差分，上图。

从图上看，一阶差分的效果不错，看着是平稳的。

ARIMA模型做时间序列分析怎么判断序列图是否具有季节性？

输入代码自动判断：

View\Residual

Test\Correlogram-Q-statistics

输出et与et-1，et-2…et-p（p是事先指定的滞后期长度）的相关系数和偏相关系数。

异方差的检验：最简单的检验方法是White检验。

扩展资料：

ARIMA模型做时间序列类型：

长期趋势(T)。即时间序列在一个长时期内受基本因素的影响而增大或减小的趋势。

周期波动(C)，也叫循环变动。即时间序列受经济等原因影响呈现出的波浪形和震荡式发展。

季节变动(S)。即时间序列在一年内某个时期重复出现的波动。

不规则变动(I)。即时间序列由于突发或偶然事件引起的变动。

你好，我想问下，为什么我用auto.arima预测出来的结果是水平直线？怎么回事呢？

不是水平直线，是一条近似水平直线的点预测和一些由不同颜色构成的区间预测。你可以看一下airfore的具体内容就知道了。

文章名称：arimajava代码 java arima
本文路径：http://scyanting.com/article/dogjoep.html