ARMA 模型的干扰分析就是对平稳时间序列的均值变化进行显著性检验。先以 AR(1) 过程为例

5.1 移动平均过程(MA Process) 5.2 自回归移动平均过程(ARMA Processes) 5.3 部分自相关函数 (Partial Autocorrelations)

 方法性工具  差分运算  延迟算子  线性差分方程  ARMA模型  AR模型（Auto Regression Model）  MA模型（Moving Average Model）  ARMA模型（Auto Regression Moving Average model）  平稳序列建模  序列预测  建模步骤  模型识别  参数估计  模型检验  模型优化  序列预测

• 信号模型及其功率谱 • AR、MA、ARMA模型与功率谱 • AR 模型的功率谱估计 –Yule-Walker 方程 –AR 模型特性 –参数估计方法 • MA模型的功率谱估计 • ARMA模型的功率谱估计

5.4 样本自相关与部分自相关函数 5.5 自相关性检验 5.6 ARMA模型的实证分析及应用 5.7 实例应用：中国CPI通胀率的AR模型

Ch. 14 Stationary ARMA Process a general linear stochastic model is described that suppose a time series to be generated by a linear aggregation of random shock. For practical representation it is desirable to employ models that use parameters parsimoniously. Parsimony may often be achieved by representation of the linear process in terms of a small number of autoregressive and moving

已经学习回归模型和时间序列模型，如果把这两种分析方法结合在一起，有时会得到比 其中任何一种方法都好的预测结果

时间序列的自相关 一阶自回归 高阶自回归 自回归分布滞后模型 误差修正模型 移动平均与ARMA模型 脉冲响应函数 向量自回归过程 VAR的脉冲响应函数 格兰杰因果检验 VAR的Stata命令及实例 时间趋势项 季节调整 日期数据的导入

本文讨论了对电渣炉一类时滞传递特性对象的分析方法,可用以估计模型的结构,并应用了动态数据系统（DDS）辨识过程所得自回归滑动平均（ARMA）的模型。根据微处理机的控制和运算能力,对量测随机干扰的滤波和熔化速度控制回路的调节规律,提出了可行的算法。分析了系统的组成,并应用现代控制理论最佳控制的思想,提出了今后工作要点

《随机模拟方法与应用 Stochastic Simulation Methods and Its Applications》教学资源（论文资料）43 基于蒙特卡洛-马尔科夫链（MCMC）的ARMA模型选择（吉林大学：赵昕东）