时间序列模型发展历程(第一讲:AR/MA/ARMA)

目录

时间序列到底在建模什么?

一个根本问题

[第一代:经典统计时序模型(时间 = 线性相关)](#第一代:经典统计时序模型(时间 = 线性相关))

代表模型

时间序列的最小假设(第一代模型的世界观)

[一、AR 模型:用"过去的自己"预测现在](#一、AR 模型:用“过去的自己”预测现在)

引出问题

[1️⃣ AR 模型的思想](#1️⃣ AR 模型的思想)

[AR(p) 的数学定义](#AR(p) 的数学定义)

[2️⃣ AR 模型在"学"什么?](#2️⃣ AR 模型在“学”什么?)

[3️⃣ AR 的隐含限制(关键)](#3️⃣ AR 的隐含限制(关键))

[二、MA 模型:不是过去的值,而是过去的"冲击"](#二、MA 模型:不是过去的值,而是过去的“冲击”)

[1️⃣ MA 模型的动机](#1️⃣ MA 模型的动机)

[2️⃣ MA(q) 的数学定义](#2️⃣ MA(q) 的数学定义)

[3️⃣ AR vs MA 的本质区别(非常重要)](#3️⃣ AR vs MA 的本质区别(非常重要))

[4️⃣ MA 的致命问题](#4️⃣ MA 的致命问题)

三、ARMA:世界不是非黑即白

[1️⃣ 为什么 AR 和 MA 必须合体?](#1️⃣ 为什么 AR 和 MA 必须合体?)

[2️⃣ ARMA(p, q) 的数学形式](#2️⃣ ARMA(p, q) 的数学形式)

[3️⃣ 一个非常重要但常被忽略的事实](#3️⃣ 一个非常重要但常被忽略的事实)

[🔥 关键转折问题](#🔥 关键转折问题)


时间序列到底在建模什么?

一个根本问题

如果我今天看到一个数 yt,

我凭什么认为它和昨天 yt−1有关系?

时间序列建模的最原始假设只有一句话:

时间上相邻的观测值不是独立的


第一代:经典统计时序模型(时间 = 线性相关)

代表模型

  • AR / MA / ARMA

  • ARIMA / SARIMA

  • Holt / Holt-Winters

  • State Space Models

时间序列的最小假设(第一代模型的世界观)

第一代模型默认三个前提:

  1. 时间是单向的(过去 → 现在 → 未来)

  2. 依赖是线性的

  3. 统计性质不随时间改变(平稳性)

👉 所有经典模型,都是在这三条假设里打转。


一、AR 模型:用"过去的自己"预测现在

AR 模型(Autoregressive Model),即自回归模型。

引出问题

假设我问你:

明天的气温,会不会和昨天、前天有关?

你会说:
当然会,而且可能主要跟最近几天有关。

这就是 AR(Autoregressive)的直觉来源。


1️⃣ AR 模型的思想

核心假设:

当前值是过去若干个值的线性组合 + 噪声

AR(p) 的数学定义

我们逐项"翻译成人话":

  • yt:当前时刻的观测

  • yt−i:过去第 i个时刻

  • ϕi​:时间依赖的强度

  • εt:白噪声(不可预测部分)

  • p:记忆长度

📌 时间在这里是什么?

时间 = 有限阶滞后(finite lag)


2️⃣ AR 模型在"学"什么?

它本质在学一组参数:

你可以理解为:

"过去第 1 天重要吗?第 2 天重要吗?第 7 天还有影响吗?"


3️⃣ AR 的隐含限制(关键)

现在我们问一个非常重要的问题:

如果真实世界是这样生成的:

  • 系统本身没"惯性"

  • 但噪声会持续影响好几天

    AR 能处理吗?

答案是:不太行。

因为 AR 只把"记忆"放在 y 上 ,

但没记住噪声。


二、MA 模型:不是过去的值,而是过去的"冲击"

MA模型(Moving Average Model),即移动平均/滑动平均模型。

1️⃣ MA 模型的动机

换个角度想:

现在的值,可能并不是过去状态决定的

而是过去一些"随机事件"的残留效应

比如:

  • 一次政策冲击

  • 一次设备误差

  • 一次心理应激


2️⃣ MA(q) 的数学定义

逐项解释:

  • μ:时间序列的均值或期望值,这个值对所有的时间点都是相同的。

  • εt​:当前冲击

  • εt−i​:过去的冲击

  • θi​:冲击的"衰减方式"

📌 时间在这里是什么?

时间 = 冲击的持续影响


3️⃣ AR vs MA 的本质区别(非常重要)

模型 记忆的对象
AR 过去的值
MA 过去的噪声

你可以这样理解:

  • AR:系统有"惯性"

  • MA:系统被"外力"反复敲击


4️⃣ MA 的致命问题

你现在应该能隐约感觉到:

MA 模型需要知道 εt−1

但问题是:

噪声是不可观测的

这就带来一个现实问题:

  • MA 在理论上优美

  • 在实践中难以直接解释


三、ARMA:世界不是非黑即白

自回归滑动平均模型,又名ARMA模型(Auto-Regressive Moving Average Model),由自回归模型(AR模型)与滑动平均模型(MA模型)为基础"混合"而成。

1️⃣ 为什么 AR 和 MA 必须合体?

因为现实系统往往同时满足:

  • 有内在惯性(AR)

  • 又不断受到随机冲击(MA)

👉 只用一个视角都不完整


2️⃣ ARMA(p, q) 的数学形式

你现在可以把它理解为:

当前 = 过去状态的残留 + 过去冲击的残留


3️⃣ 一个非常重要但常被忽略的事实

ARMA 只能用于平稳时间序列

也就是说:

  • 均值不随时间变

  • 方差不随时间变

  • 自相关结构稳定

👉 你现在可以问一个致命问题了。


🔥 关键转折问题

请你认真想这个问题:

如果时间序列本身在"走趋势"

比如情绪评分、GDP、气温、学习进展
AR / MA / ARMA 还能直接用吗?

答案是:不能。

这正是 ARIMA 出现的历史必然性。


下一讲:

时间序列模型发展历程(第二讲:平稳性危机与ARIMA诞生、SARIMA)-CSDN博客

相关推荐
视+老张2 天前
遗址区不能铺线贴标记,户外XR怎样把汉代宫殿放回未央宫?
ar·xr·增强现实·文化遗产·easyar
虹科数字化与AR5 天前
农业机械AR质检ROI怎么算?从搬运、测量、返工和交付成本入手
经验分享·ar·质检·农业机械
视+老张12 天前
戴上AR眼镜后,古建导览怎样把看建筑、听故事和继续走连成一条线?
ar·ar眼镜·增强现实·智慧景区·easyar
各类产品分享114 天前
工厂 AR 点检系统落地:从硬件选型到工作流集成的技术要点
ar·ar巡检
摩尔芯创15 天前
Ansys Zemax AR光学系统实战课程
ar·软件需求·ansys·光学软件
Jmyd012315 天前
博物馆AR导览数字孪生架构设计:从空间数据到AR应用全链路
3d·系统安全·ar·数字孪生·博物馆·三维数字化
各类产品分享116 天前
工业级 AR 巡检系统选型:核心参数与架构实现要点
架构·ar·ar巡检
摩尔芯创18 天前
一期一会 | 什么是增强现实(AR)?
ar·软件需求·ansys·光学软件
道可云18 天前
2026智慧文旅新趋势:VR、AR与数字人如何融合?
ar·vr
YH行业报告分析21 天前
2026 HOE光聚合物材料产业化窗口:RGB多色薄膜如何打通AR光波导量产闭环?
ar