普鲁阿里马

ARIMA程序利用自回归积分移动平均(ARIMA)或自回归滑动平均(ARMA)模型分析和预测等间隔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值作为其自身过去值、过去错误(也称为冲击或创新)的线性组合,以及其他时间序列的当前值和过去值。ARIMA方法首先被Box和詹金斯推广,ARIMA模型通常被称为Box詹金斯模型。利用Box和TiAO(1975)讨论了ARIMA过程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。PANKRAZ(1991)将ARIMAX模型称为动态回归模型。ARIMA程序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,它在可分析的有马或ARIMAX模型的种类中提供了很大的灵活性。有马程序支持季节性、子集和因子化ARIMA模型;干预或中断时间序列模型;ARMA误差的多元回归分析;和任何复杂度的有理传递函数模型。PROC ARIMA的设计紧跟詹金斯的时间序列建模策略,其特征在于识别、估计和诊断检查的特征,以及BOX詹金斯方法的预测步骤。在使用PROR ARIMA之前,您应该熟悉Box詹金斯方法,并且在使用ARIMA过程时应该注意和判断。时间序列模型的ARIMA类是复杂的和强大的,并且需要一定程度的专门知识来正确使用它们。

本软件关键词

这里的任何东西都将在支持画布元素的浏览器上被替换。


ZBMaCT中的参考文献(2篇文章中引用)

显示结果1至2的2。
按年份排序(引文

  1. Soukri,Mohamed M.:SAS和R相关数据分析(2018)
  2. 布罗克班克,John C.;Dickey,David A.:SAS用于预测时间序列。(2003)