自回归模型（Autoregressive Model）¶
自回归（Autoregressive, AR）模型是一种用于时间序列分析和预测的统计模型。它基于一个假设：当前时刻的值与过去若干个时刻的值之间存在线性关系。自回归模型的核心思想是利用时间序列的历史数据来预测未来的值。
自回归模型的基本形式¶
自回归模型通常表示为 AR(p)，其中 p 表示模型的阶数，即使用过去 p 个时刻的值来预测当前时刻的值。其数学表达式为：
\[
X_t = c + \phi_1 X_{t-1} + \phi_2 X_{t-2} + \dots + \phi_p X_{t-p} + \epsilon_t
\]
其中： - \(X_t\) 是当前时刻的值； - \(c\) 是常数项； - \(\phi_1, \phi_2, \dots, \phi_p\) 是模型的自回归系数，表示过去值对当前值的影响； - \(X_{t-1}, X_{t-2}, \dots, X_{t-p}\) 是过去 p 个时刻的值； - \(\epsilon_t\) 是随机误差项，通常假设为白噪声（均值为 0，方差为常数）。
自回归模型的扩展¶
- ARMA 模型：结合自回归（AR）和移动平均（MA）模型，用于更复杂的时间序列分析。
- ARIMA 模型：在 ARMA 模型的基础上引入差分，适用于非平稳时间序列。
- SARIMA 模型：在 ARIMA 模型的基础上加入季节性成分，适用于具有季节性特征的时间序列。
示例¶
假设我们有一个时间序列数据 \(X = [x_1, x_2, \dots, x_n]\)，我们希望用 AR(2) 模型来预测下一个时刻的值：
\[
x_t = c + \phi_1 x_{t-1} + \phi_2 x_{t-2} + \epsilon_t
\]
通过历史数据估计出 \(c\)、\(\phi_1\) 和 \(\phi_2\) 后，就可以用 \(x_{t-1}\) 和 \(x_{t-2}\) 来预测 \(x_t\)。
总结来说，自回归模型是一种简单而强大的工具，广泛应用于时间序列分析和预测任务中。