「每日科技果粉」通过时间序列建模ARIMA利用过去来预测未来( 三 ) ARIMA模型是线性回归模型的子集

文章图片
ARIMA有4个AR滞后和2个MA滞后
没有更好的。但是，我们不应期望仅通过添加一些MA组件就能获得巨大的改进。 AR和MA成分均来自目标变量的过去值-因此它们都试图通过推断过去来预测未来。您可能希望这在平静期间可以正常工作，但是在尝试预测转折点时却失败了。
结论
因此，在所有这些之后，我们最终得到了一个乏善可陈的模型。但是不要绝望。 ARIMA模型并不意味着是理想的预测工具。而是第一步。从我们的目标变量的过去值得出的特征应作为补充，而不是替代外生变量。因此，实际上，我们的GDP模型不仅包括AR和MA组成部分，还包括与GDP紧密相关的外生组成部分，例如通货膨胀，股票收益，利率等。
此外，拟合的beta本身通常也很有趣。例如，如果我们正在构建真实GDP的模拟，则需要测量GDP的自相关（自相关是指GDP的当前变化与其过去值之间的相关性）。因为如果存在自相关，那么我们绝对不希望建立一个GDP模型，在该模型中，我们模拟GDP的每季度每季度变化与其他所有方面无关。那是错误的，我们的模型将产生与现实脱节的结果。因此，分析ARIMA模型的beta有助于我们更好地了解目标目标变量的统计特性。