Skip to content

Statistics › 時間序列 › ARIMA

ARIMA 模型 ​

ARIMA (AutoRegressive Integrated Moving Average) = AR(用過去的值)+ I(差分去趨勢)+ MA(用過去的誤差修正)。理解每個成分的直覺,比背選階規則重要。

成分公式意義階數由誰決定
AR(p) 自迴歸yt=c+ϕ1yt−1+⋯+ϕpyt−p+εt預測變數是自己的落後值的迴歸PACF 截斷處
I(d) 整合d 次差分d = 0 已定態;d = 1 一階差分;d = 2 罕見ADF / KPSS
MA(q) 移動平均yt=μ+εt+θ1εt−1+⋯+θqεt−q對**過去的預測誤差(衝擊)**的迴歸ACF 截斷處

ARIMA 的 MA ≠ 平滑用的「移動平均」。名字相同,概念不同:前者建模過去的誤差,後者平均過去的值。

ARIMA 適合處理「前處理後剩下的結構」:先處理明顯的趨勢、變異改變與(非季節 ARIMA 時的)季節性,它不是處理原始資料的萬能黑盒子。

選階:ACF / PACF ​

ACFPACF建議
lag 1 後截斷衰減ARIMA(0, d, 1)
lag 2 後截斷衰減ARIMA(0, d, 2)
衰減lag 1 後截斷ARIMA(1, d, 0)
衰減lag 2 後截斷ARIMA(2, d, 0)
都衰減都衰減ARIMA(p, d, q),用 AIC / auto-ARIMA 選

詳細判讀見 自相關。

完整流程 ​

python
import numpy as np
import pandas as pd
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.stats.diagnostic import acorr_ljungbox
from pmdarima import auto_arima

url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/airline-passengers.csv"
y = pd.read_csv(url, parse_dates=["Month"], index_col="Month").asfreq("MS")["Passengers"]
log_y = np.log(y)                                       # 1. 穩定變異

# 2. 自動選階(以 AIC 為準;d 由定態檢定決定)
auto = auto_arima(log_y, d=1, max_p=5, max_q=5, seasonal=False,
                  information_criterion="aic", stepwise=True)
auto.order

# 3. 配適
res = ARIMA(log_y, order=auto.order).fit()
res.summary()

# 4. 殘差診斷:應為白噪音
res.plot_diagnostics(figsize=(12, 8))
acorr_ljungbox(res.resid, lags=[10, 20], return_df=True)   # p > 0.05 ✅

# 5. 預測 24 期並轉回原尺度
fc = res.get_forecast(steps=24)
mean = np.exp(fc.predicted_mean)
ci = np.exp(fc.conf_int(alpha=0.05))

# 6. 手動比較候選模型(相同資料、相同轉換才能比 AIC)
for order in [(0, 1, 1), (1, 1, 0), (1, 1, 1), (2, 1, 1)]:
    m = ARIMA(log_y, order=order).fit()
    print(order, round(m.aic, 1), round(m.bic, 1))
summary 欄位看什麼
係數AR / MA 係數是否顯著不為 0
AIC / BIC越小越好;BIC 懲罰較重、偏好較簡單的模型
Ljung-Box (Q)p > 0.05 → 殘差為白噪音
Jarque-Berap > 0.05 → 殘差近似常態
殘差診斷圖應該看到
標準化殘差 vs 時間隨機、無型態
直方圖 + KDE近似常態
Q–Q 圖點在對角線上
殘差 ACF (correlogram)全在信賴帶內
  • 預測區間擴張很快:ARIMA 最適合短期預測(約 ≤ 12 期)。
  • log 尺度的預測取 exp 得到的是中位數預測,不是平均數;需要平均數時要做偏誤校正。
  • 有季節性時改用 SARIMA;評估方式見 預測評估。