ARMA用指数平滑法表示

ARMA模型详解：与指数平滑的联系与应用

最新推荐文章于 2023-05-07 10:24:36 发布

原创最新推荐文章于 2023-05-07 10:24:36 发布 · 465 阅读

·

1

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

时间序列专栏收录该内容

9 篇文章

订阅专栏

本文探讨ARMA(p,q)模型的基本概念，重点讲解其与指数平滑的相似之处，并通过ARIMA(0,1,1)实例展示模型操作。理解它们之间的关系有助于深入掌握时间序列分析技巧。

对于 ARMA(p,q) 模型：

$\small \bg_white \phi(B)X_t =\theta(B) Z_t$

其中：

$\small \theta (B) =1-\sum_{i=1}^{q}\theta_iB^{i}$

$\small \phi (B) =1-\sum_{i=1}^{p}\phi_iB^{i}$

我们可以进行如下操作：

$\small \frac{\phi (B)}{\theta (B)}X_t = Z_t$

$\small \frac{\phi (B)}{\theta (B)} = 1+\psi_1B+\psi_2B^{2}+\cdot \cdot \cdot = \psi (B)$

$\small \Rightarrow (1+\psi_1B+\psi_2B^{2}+\cdot \cdot \cdot )X_t = Z_t$

$\small \Rightarrow X_t = \psi _1X_{t-1}+\psi _2X_{t-2}+\cdot \cdot \cdot +Z_t$

为了方便说明我这里使用的例子是 ARIMA(0,1,1) 模型

$\small (1-B)X_t = (1-\theta B)Z_t$

$\small \Rightarrow \frac{1-B}{1-\theta B}X_t = Z_t$

$\small \Rightarrow (1+\theta B+\theta^{2}B+\cdot \cdot \cdot )(1-B)X_t = Z_t$

$\small \Rightarrow X_t+(\theta-1)X_{t-1}+\theta(\theta-1)X_{t-2}+\theta^{2}(\theta-1)X_{t-3}+\cdot \cdot \cdot = Z_t$

$\small \Rightarrow X_t=(1-\theta)X_{t-1}+\theta(1-\theta)X_{t-2}+\theta^{2}(1-\theta)X_{t-3}+\cdot \cdot \cdot + Z_t$

$\small \Rightarrow X_t=(1-\theta)[X_{t-1}+\theta X_{t-2}+\theta^{2} X_{t-3}+\cdot \cdot \cdot ]+ Z_t$

这里就可以看出和指数平滑有关系了！

后面的下次有时间再写

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

梦什 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。