阿里玛医生

ARIMA程序使用自回归综合移动平均(ARIMA)或自回归移动平均(ARMA)模型分析和预测等间距的单变量时间序列数据、传递函数数据和干预数据。ARIMA模型预测响应时间序列中的一个值,该值是其自身过去值、过去误差(也称为冲击或创新)以及其他时间序列的当前值和过去值的线性组合。ARIMA方法首先由Box和Jenkins推广,ARIMA模型通常被称为Box-Jenkins模型。Box和Tiao(1975)讨论了ARIMA程序所采用的一般传递函数模型。当ARIMA模型包含其他时间序列作为输入变量时,该模型有时被称为ARIMAX模型。Pankratz(1991)将ARIMAX模型称为动态回归。ARIMA过程为单变量时间序列模型辨识、参数估计和预测提供了一套全面的工具,并且在可以分析的ARIMA或ARIMAX模型中提供了很大的灵活性。ARIMA程序支持季节性、子集和因子化ARIMA模型;干预或中断时间序列模型;具有ARMA误差的多元回归分析;以及任何复杂度的有理传递函数模型。PROC-ARIMA的设计严格遵循时间序列建模的Box-Jenkins策略,具有Box-Jenkins方法的识别、估计、诊断检查和预测步骤。在您使用PROC ARIMA之前,您应该熟悉Box-Jenkins方法,并且在使用ARIMA程序时应该谨慎和判断。时间序列模型的ARIMA类是复杂而强大的,正确使用它们需要一定程度的专业知识。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换


zbMATH中的参考文献(参考 2篇文章 引用)

显示结果1到2,共2个。
按年份排序(引用)

  1. Shoukri,Mohamed M.:SAS和R相关数据分析(2018)
  2. Brocklebank,John C.;Dickey,David A.:用于预测时间序列的SAS。(2003年)