ARIMA模型建模原则 在ARMA预测中，用上述的三种程序块的结合来建立一个完整的预 测模型。建立残差序列AMA模型的第一步是看其自相关性，可以使用 相关图来达到这一目的。ARMA模型建模过程被称为识别（勿与有关联 立方程的著作中使用的同一词混淆)。残差当前值与过去值之间的相关 性为选择ARMA形式提供了导向。自相关很容易解释一每一值是序列 当前值和滞后一定区间的值的相关系数。偏自相关有些复杂，它们是考 虑了序列所有值滞后后的预测能力后，计算当前和滞后序列的相关性。 例如滞后6阶偏自相关是计算当4，-1.4，-5已在预测模型中时，4,6的 预测能力。实际上，偏自相关是当前期滞后已应用于 的预测后4，的回归系数。 如果怀疑左侧的因变量和其他的预测值之间存在一个分布滞后关系， 那么可以在执行估计前看见它们的交叉相关。ARIMA模型建模原则 在ARIMA预测中，用上述的三种程序块的结合来建立一个完整的预 测模型。建立残差序列ARIMA模型的第一步是看其自相关性，可以使用 相关图来达到这一目的。ARIMA模型建模过程被称为识别（勿与有关联 立方程的著作中使用的同一词混淆）。残差当前值与过去值之间的相关 性为选择ARIMA形式提供了导向。自相关很容易解释——每一值是序列 当前值和滞后一定区间的值的相关系数。偏自相关有些复杂，它们是考 虑了序列所有值滞后后的预测能力后，计算当前和滞后序列的相关性。 例如滞后6阶偏自相关是计算当 已在预测模型中时， 的 预测能力。实际上，偏自相关是当前期滞后已应用于 的预测后 的回归系数。 如果怀疑左侧的因变量和其他的预测值之间存在一个分布滞后关系， 那么可以在执行估计前看见它们的交叉相关。 ut−1 ut−5 ut−6 ut−6 ut