时间序列简介

熟悉单变量时间序列的基本概念、分析方法和预测技术。

探索时间序列基础背后的逻辑，从随机过程到统计分析。

掌握时间序列的基本特性，包括平稳性、自相关性和分解。

分析时间序列数据分布的关键时刻、视觉工具和测试方法。

梳理理解移动平均（MA）、自回归（AR）、自回归移动平均（ARMA）、自回归积分滑动平均（ARIMA）以及季节性自回归积分滑动平均（SARIMA）模型的步骤如下： 1. 理解时间序列的基本概念 - 识别时间序列数据的特征：趋势、季节性、周期性和随机波动。 - 学习如何绘制时间序列图，观察其变化模式。 2. 掌握平稳性的概念 - 理解平稳时间序列的定义：均值、方差和自协方差不随时间变化。 - 学习如何通过统计检验（如ADF检验）判断序列是否平稳。 - 掌握差分法（一阶、二阶差分）使非平稳序列变为平稳的方法。 3. 学习自回归模型（AR） - 理解AR(p)模型的结构：当前值依赖于过去p个时刻的值。 - 掌握自相关函数（ACF）和偏自相关函数（PACF）的图形特征： - AR(p)：PACF在p阶后截尾，ACF呈指数衰减或振荡。 - 学会使用ACF和PACF图初步判断AR模型的阶数p。 4. 学习移动平均模型（MA） - 理解MA(q)模型的结构：当前值依赖于过去q个时刻的白噪声误差项。 - 掌握ACF和PACF的图形特征： - MA(q)：ACF在q阶后截尾，PACF呈指数衰减或振荡。 - 学会通过ACF和PACF图初步判断MA模型的阶数q。 5. 理解自回归移动平均模型（ARMA） - 掌握ARMA(p, q)模型的组合结构：同时包含AR和MA部分。 - 学习如何通过观察ACF和PACF图判断ARMA模型的阶数。 - 理解模型要求序列是平稳的。 6. 学习自回归积分滑动平均模型（ARIMA） - 理解ARIMA(p, d, q)模型：在ARMA基础上引入差分阶数d以处理非平稳性。 - 掌握d的选择方法：通过差分直到序列平稳。 - 学会使用ACF和PACF图分析差分后的序列，确定p和q。 - 理解模型的完整结构：先差分，再拟合ARMA模型。 7. 学习季节性自回归积分滑动平均模型（SARIMA） - 理解SARIMA(p, d, q)(P, D, Q)s模型的结构：包含非季节性和季节性两部分。 - 掌握季节性周期s的识别方法（如月度数据s=12，季度数据s=4）。 - 学习如何通过季节性差分（D阶）处理季节性非平稳性。 - 理解季节性部分的ACF和PACF特征：在s倍数处出现显著峰值。 - 学会结合非季节性和季节性成分，选择合适的参数。 8. 模型拟合与评估 - 使用统计软件（如Python的statsmodels库）拟合各类模型。 - 检查残差是否为白噪声（通过Ljung-Box检验、ACF图等）。 - 使用信息准则（AIC、BIC）比较不同模型，选择最优模型。 - 进行模型诊断，确保模型合理且无系统偏差。 9. 预测与应用 - 利用训练好的模型进行未来值预测。 - 评估预测结果的准确性（如RMSE、MAE）。 - 理解模型在实际场景中的应用，如销售预测、天气预报、金融分析等。 10. 实践与深化 - 使用真实时间序列数据练习建模流程。 - 尝试调整参数，观察模型性能变化。 - 学习更高级的主题，如状态空间模型、GARCH模型等扩展方法。

简化ARIMA中的点预测、模型准确性和置信区间等复杂概念。

掌握选择、拟合和评估时间序列模型的有效步骤。

恭喜你掌握了时间序列分析的关键概念和实用工具。

了解数据下载背后的逻辑以及时间序列分析的宝贵参考资料。