外觀
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 | 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 | 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
| ACF | PACF | 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-Bera | p > 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 |