ARIMA 模型

概述

ARIMA（自回归积分移动平均模型）由 George Box 和 Gwilym Jenkins 于 1970 年在《Time Series Analysis: Forecasting and Control》中提出，将 AR、差分和 MA 统一为单一框架，是时间序列分析历史上影响最深远的建模方法。

关键内容

1. 历史背景：1970 年前，AR 和 MA 被视为两类独立模型，差分技术散落在不同领域。Box 和 Jenkins 的核心洞见：三者不是互相竞争的方法，而是同一模型的三个组成部分。

2. [ARIMA] 框架：AR(p) 自回归部分（当前值依赖过去 p 个值）+ I(d) 差分部分（d 次差分实现平稳化）+ MA(q) 移动平均部分（当前值依赖过去 q 个随机冲击）。

3. Box-Jenkins 方法论：提出系统性的建模流程——识别（通过 ACF/PACF 选择 p,d,q）→ 估计（最大似然或最小二乘）→ 诊断检验（残差白噪声检验）→ 预测。

4. 学科影响：统计学、计量经济学、运筹学、信号处理、金融工程、气象学、工业控制等领域均受其深远影响，至今仍是时间序列分析的入门必修内容。

来源

• 06-box-jenkins-1970-arima — 时间序列的"统一场论"：Box 与 Jenkins 如何用一本书改变了预测科学

相关

• AR 模型（自回归模型） — extends
• 移动平均模型 — extends
• 指数平滑 — compares_to
• N-BEATS — compares_to（深度学习时间序列预测）
• Prophet — compares_to（Facebook 开源的预测工具）
• 协整分析（Cointegration） — compares_to（多变量时间序列）
• 马尔可夫体制转换模型 — compares_to（状态转换时间序列）