自己回帰統合移動平均とは何ですか？
自己回帰統合移動平均（ARIMA）は、時系列データを使用してデータセットをよりよく理解するか、将来の傾向を予測する統計分析モデルです。
自己回帰統合移動平均（ARIMA）について
自己回帰統合移動平均モデルは、他の変化する変数に対する1つの従属変数の強度を測定する回帰分析の形式です。 モデルの目標は、実際の値ではなく系列の値の差を調べることにより、将来の証券または金融市場の動きを予測することです。
ARIMAモデルは、次のように各コンポーネントの概要を説明することで理解できます。
- 自己回帰（AR） とは、時間の経過した変数または以前の値で回帰する変化する変数を示すモデルを指します。 統合（I） は、生の観測値の差を表し、時系列が定常になることを可能にします。つまり、データ値はデータ値と以前の値との差に置き換えられます。 移動平均（MA） は、観測と、時間差のある観測に適用される移動平均モデルからの残留誤差との間の依存関係を組み込みます。
各コンポーネントは、標準表記のパラメーターとして機能します。 ARIMAモデルの場合、標準表記はp、d、qのARIMAで、整数値がパラメーターの代わりに使用され、使用されるARIMAモデルのタイプを示します。 パラメーターは次のように定義できます。
- p ：モデル内のラグ観測値の数。 ラグオーダーとも呼ばれます。 d ：生の観測値が異なる回数。 ディファレンシングの度合いとも呼ばれます。q：移動平均ウィンドウのサイズ。 移動平均の順序とも呼ばれます。
たとえば、線形回帰モデルでは、項の数とタイプが含まれます。 パラメーターとして使用できる値0は、特定のコンポーネントをモデルで使用しないことを意味します。 この方法で、ARMAモデル、または単純なAR、I、MAモデルの機能を実行するためにARIMAモデルを構築できます。
自己回帰統合移動平均と定常性
自己回帰統合移動平均モデルでは、データを固定するためにデータが差分されます。 定常性を示すモデルは、時間の経過とともにデータに一定性があることを示すモデルです。 ほとんどの経済データおよび市場データは傾向を示しているため、差異の目的は、傾向または季節構造を削除することです。
季節性、またはデータが暦年にわたって繰り返される規則的で予測可能なパターンを示す場合、回帰モデルに悪影響を及ぼす可能性があります。 傾向が現れ、定常性が明らかでない場合、プロセス全体の多くの計算を大きな効果で行うことはできません。
