Time Series Analysis

概述

时间序列分析是统计学的一个重要分支，专注于按时间顺序排列的数据点的分析。它涉及从时间序列数据中提取有意义的统计信息和特征，用于理解潜在的生成机制并进行预测。

关键内容

1. 核心概念：
2. 平稳性：时间序列的基本假设之一
3. 预测理论：基于历史数据预测未来值的方法

4. 分解方法：将时间序列分解为趋势、季节性和随机成分

5. 重要理论：

6. Wold分解定理：任何平稳时间序列都可以分解为确定性和不确定性部分

7. 谱分析：从频域角度分析时间序列的特性

8. 建模方法：

9. ARMA模型：用于平稳时间序列的自回归移动平均模型
10. ARIMA模型：用于非平稳时间序列的差分整合移动自回归模型
11. Box-Jenkins方法论：系统化的时间序列建模流程

来源

• Wold Decomposition Theorem — 历史背景和基础定理

相关

• Wold Decomposition Theorem — fundamental_result
• ARIMA Models — primary_model_class
• Box-Jenkins Methodology — standard_approach
• Statistics — parent_field