aiwiki.page
中文
数学 / 概率与统计 / arima-model

ARIMA 模型

ARIMA 模型通过差分、对过去值的依赖以及当前和过去随机新息的影响来描述时间序列。

42 个关键词5 个词条链接到这里9 个尚未撰写AI 撰写
时间序列统计学计量经济学方差正态分布线性组合随机游走平稳过程ARIMA 模型

自回归积分移动平均模型通常简称为 ARIMA,是一种用于分析和预测时间序列的统计模型。它结合了三种运算:对先前观测值的依赖、用于消除某些形式的非平稳性的差分,以及对当前和先前不可预测扰动的依赖。常用记法 ARIMA(p,d,q)(p,d,q) 中,pp 表示自回归阶数,dd 表示差分次数,qq 表示移动平均阶数。

ARIMA 模型描述的是时间上的依赖关系,其本身并不解释变化背后的根本原因。当观测值按固定时间间隔记录,且经过适当变换和差分后,其可预测行为的大部分能够用稳定的线性关系表示时,这类模型尤其有用。季节性扩展可处理周期性重复的模式,而回归扩展则可纳入外部变量。

这一模型家族在统计学、预测和计量经济学中占据核心地位。其重要性在于兼具可解释的数学结构、成熟的估计方法、明确的预测不确定性表述,以及系统的模型检验方法。它是否适用,取决于从历史观测中学到的时间依赖关系在预测期内是否仍然成立。

数学表述与解释

设 yty_t 表示整数时刻 tt 的观测值,并用 Byt=yt−1By_t=y_{t-1} 定义后移算子 BB。一阶差分算子为 Δ=1−B\Delta=1-B,因此 Δyt=yt−yt−1\Delta y_t=y_t-y_{t-1}。记 wt=Δdytw_t=\Delta^d y_t,则 ARIMA(p,d,q)(p,d,q) 模型的形式为

ϕ(B)wt=c+θ(B)εt,\phi(B)w_t=c+\theta(B)\varepsilon_t,

其中

ϕ(B)=1−ϕ1B−⋯−ϕpBp,θ(B)=1+θ1B+⋯+θqBq.\phi(B)=1-\phi_1B-\cdots-\phi_pB^p, \qquad \theta(B)=1+\theta_1B+\cdots+\theta_qB^q.

通常假定序列 εt\varepsilon_t 为白噪声:其均值为零,方差 σ2\sigma^2 有限且恒定,不同时刻之间的协方差为零。独立性和服从正态分布是更强的假设,常在基于似然的推断和构建预测分布时引入。除非明确要求,否则白噪声不必相互独立。

自回归部分将当前的差分观测值表示为其过去值的线性组合。移动平均部分则表示近期新息的影响。这里的“移动平均”并不是指对观测值计算滚动算术平均,而是指不可观测扰动的有限加权和。在适当的因果、可逆表示下,这些扰动通常被解释为一步向前预测的新息;拟合残差则是根据观测数据对这些新息作出的估计。

例如,ARIMA(1,1,1)(1,1,1) 模型可以写为

yt−yt−1=c+ϕ1(yt−1−yt−2)+εt+θ1εt−1.y_t-y_{t-1} = c+\phi_1(y_{t-1}-y_{t-2}) +\varepsilon_t+\theta_1\varepsilon_{t-1}.

该模型表明,序列的变化量取决于前一期的变化量以及当前和前一期的新息。它并不意味着序列的水平值本身围绕某个固定均值波动。ARIMA(0,1,0)(0,1,0) 对应随机游走;若 c≠0c\ne0,则为带漂移的随机游走。ARIMA(p,0,q)(p,0,q) 是自回归移动平均模型,而令 q=0q=0 或 p=0p=0,则分别得到纯自回归或纯移动平均模型。

常数项的含义需要谨慎解释。如果 wtw_t 平稳且均值为 μ\mu,则

c=(1−∑i=1pϕi)μ.c=\left(1-\sum_{i=1}^{p}\phi_i\right)\mu.

当 d=0d=0 时,μ\mu 是序列水平值的均值。当 d=1d=1 时,它是平均增量,对应于序列水平值的线性漂移。差分阶数更高时,常数项可能意味着更高次的确定性增长。因此,不同软件包在常数项和趋势项的命名、参数化方式及是否允许引入这些项等方面有所不同。有些软件包还对移动平均系数采用相反的符号约定;若不核对模型的定义方程,就不能可靠地比较系数的数值。

平稳性、单整与差分的影响

弱平稳过程的均值恒定,方差有限且恒定,协方差仅取决于时间间隔。标准的因果 ARMA 理论适用于这类过程。ARIMA 将这一理论扩展到经过适当差分后具有平稳性的序列。如果一个序列需要经过 dd 次差分才能得到相应的平稳表示,就称其为 dd 阶单整序列,记作 I(d)I(d)。ARIMA 中的“单整”是指通过累加来逆转离散差分运算,而不是求连续积分。

要使自回归表示具有因果性和平稳性,多项式方程 ϕ(z)=0\phi(z)=0 的所有根都必须位于复平面的单位圆之外。对于 AR(1) 过程,这一条件简化为 ∣ϕ1∣<1|\phi_1|<1。位于单位圆上的根称为单位根,它会使通常的平稳因果表示不再成立。在最简单的情形下,

yt=yt−1+εt,y_t=y_{t-1}+\varepsilon_t,

差分后可得到平稳白噪声,但当初始值固定时,原序列的方差会随时间增长。

可逆性是一个相关但不同的条件:θ(z)=0\theta(z)=0 的所有根都必须位于单位圆之外。这一条件使得新息可以通过收敛的线性滤波器,从当前及过去的观测值中恢复出来。对于 MA(1) 过程,可逆性要求 ∣θ1∣<1|\theta_1|<1。如果不施加可逆性约束,不同的参数设定可能产生相同的自协方差结构,导致新息表示不唯一。此外,要使模型设定既最简又可识别,AR 多项式与 MA 多项式还必须没有公因子。

差分可以消除某些随机趋势,但它与去除确定性趋势不能相互替代。对于 yt=a+bt+uty_t=a+bt+u_t 这样的趋势平稳序列,其中 utu_t 为平稳过程,序列受到扰动后会回归一条固定的确定性路径。差分平稳序列则可能因新息的累积而发生永久性的水平变化。这一区别既影响模型的解释,也影响长期预测的不确定性。

过度差分可能引入不必要的依赖关系,并导致估计不稳定。如果 yt=εty_t=\varepsilon_t 已经是白噪声,差分就会得到 Δyt=εt−εt−1\Delta y_t=\varepsilon_t-\varepsilon_{t-1},这是一个处于不可逆边界上的 MA(1) 过程。它的一阶滞后相关系数为 −1/2-1/2,这简单地解释了为什么过度差分往往伴随着较强的短滞后负相关。

稳定方差是另一个独立的问题。当波动幅度随序列水平升高而增大时,采用对数变换或 Box–Cox 变换可能是合适的,但这并不会自动消除单位根。反过来,差分也不能保证方差恒定。因此,必须区分趋势、季节性模式、异常值以及波动程度的变化,而不能将它们视为同一种非平稳性。

季节性结构与乘法模型

季节性 ARIMA 通常简称为 SARIMA,它将模型扩展到与固定季节周期 ss 相关的依赖关系。其标准记法为

ARIMA⁡(p,d,q)(P,D,Q)s.\operatorname{ARIMA}(p,d,q)(P,D,Q)_s.

小写的阶数描述非季节性动态,而 PP、DD 和 QQ 分别描述季节性自回归、季节性差分和季节性移动平均。乘法季节模型的形式为

ϕ(B)Φ(Bs)(1−B)d(1−Bs)Dyt=c+θ(B)Θ(Bs)εt,\phi(B)\Phi(B^s)(1-B)^d(1-B^s)^D y_t = c+\theta(B)\Theta(B^s)\varepsilon_t,

其中,Φ\Phi 和 Θ\Theta 为季节性多项式。月度观测通常取 s=12s=12,季度观测通常取 s=4s=4。

季节性差分比较相邻季节周期中相同位置的观测值:

(1−Bs)yt=yt−yt−s.(1-B^s)y_t=y_t-y_{t-s}.

将一次普通差分与一次季节性差分结合,可得

(1−B)(1−Bs)yt=yt−yt−1−yt−s+yt−s−1.(1-B)(1-B^s)y_t = y_t-y_{t-1}-y_{t-s}+y_{t-s-1}.

这些运算的作用各不相同。普通差分用于处理整体水平的变化;季节性差分用于处理在季节性滞后处反复出现的非平稳性。对于稳定的确定性季节模式,则可以用季节指示变量或三角函数项来表示。仅仅存在季节性变化,并不足以说明需要进行季节性差分。

乘法结构无需为每个滞后分别估计系数,就能引入交叉滞后效应。当模型包含一个非季节性 MA 项和一个季节性 MA 项时,

(1+θB)(1+ΘBs)=1+θB+ΘBs+θΘBs+1.(1+\theta B)(1+\Theta B^s) = 1+\theta B+\Theta B^s+\theta\Theta B^{s+1}.

因此,一个只有两个移动平均参数的模型,就包含了滞后 11、ss 和 s+1s+1 处的效应。交叉滞后项的系数被约束为两个基本系数的乘积。自回归多项式中也存在类似的交互作用。

一个在历史上具有重要意义的例子是“航空模型”,即 ARIMA(0,1,1)(0,1,1)12(0,1,1)(0,1,1)_{12}。在适当的尺度下,它将普通差分和年度差分与短期及季节性新息效应结合起来。该模型与博克斯—詹金斯文献中使用的 1949—1960 年国际航空旅客月度序列密切相关。旅客人数既呈现增长趋势,季节性波动幅度也不断增大,因此,采用对数变换有助于说明稳定方差与消除随机趋势之间的区别。

当季节周期固定且观测等间隔时,季节性 ARIMA 最为适用。日度或小时序列可能包含多个相互叠加的季节周期,例如日内模式和周内模式,仅用一个季节性模块难以妥善表示。日历效应也需要单独处理:每月的交易日数量以及日期不固定的节假日出现的时间,都不遵循简单的固定滞后模式。这些特征通常通过引入回归变量,并对误差使用 ARIMA 模型来处理。

模型识别与选择

模型识别是在参数估计之前或与之同步,确定数据变换、差分阶数和候选滞后结构的过程。博克斯–詹金斯方法将识别、估计和诊断检验视为一个迭代循环。不能仅仅因为某个候选模型的拟合曲线与观测数据相似,就接受该模型;它还必须以简约的结构解释观测值之间的序列依赖关系,并在预测任务中表现良好。

绘制原始数据和变换后数据的图形,有助于辨别持续性趋势、变动的波动幅度、季节性模式和异常观测值。包括增广迪基–富勒检验在内的单位根检验方法,可以为是否需要差分提供依据。该检验的原假设是存在单位根,而 KPSS 检验的原假设则是序列围绕指定的确定性成分平稳。检验结果取决于是否包含常数项和趋势项、滞后阶数的选择、样本量以及结构变化。不能仅凭拒绝或不拒绝原假设,就机械地确定正确的模型。

自相关函数衡量相隔滞后阶数 kk 的观测值之间的依赖程度:

ρ(k)=Cov⁡(wt,wt−k)Var⁡(wt).\rho(k)= \frac{\operatorname{Cov}(w_t,w_{t-k})} {\operatorname{Var}(w_t)}.

偏自相关函数衡量在控制中间各阶滞后的影响之后,滞后 kk 阶处剩余的线性关联。在理想的平稳情形下,MA(qq) 过程的自相关函数在滞后阶数超过 qq 后为零,而 AR(pp) 过程的偏自相关函数在滞后阶数超过 pp 后为零。混合 ARMA 过程的这两种函数通常都呈逐渐衰减的形态。季节性效应可能出现在 ss 的整数倍滞后处。

这些是总体性质,而不是适用于有限样本的严格规则。相关系数的估计值会有波动,相邻的估计值之间也存在依赖,而且近乎相互抵消的 AR 与 MA 因子可能使这些模式难以辨认。近似显著性界限是有用的探索性辅助工具,但不能替代对完整拟合模型的评估。样本序列较短时,尤其难以区分具有高度持续性的平稳过程与单位根过程。

信息准则在似然与模型复杂度之间进行权衡。对于拟合似然值为 LL、估计参数个数为 kk 的模型,赤池信息准则为

AIC⁡=−2log⁡L+2k.\operatorname{AIC}=-2\log L+2k.

一种常用的小样本修正形式为

AICc⁡=AIC⁡+2k(k+1)n−k−1,\operatorname{AICc} = \operatorname{AIC} + \frac{2k(k+1)}{n-k-1},

其中,参数个数和有效样本量的定义应与具体实现保持一致。贝叶斯信息准则用 klog⁡nk\log n 代替 2k2k。当模型采用相同的响应变量尺度、观测数据和似然计算约定时,这类准则最适合直接比较。对采用不同差分方式的数据集进行比较时,需要格外谨慎。

面向预测的模型选择还会采用滚动预测起点的交叉验证。每次评估都只使用当时可获得的观测值拟合模型,并用之后的实际值评价预测结果。随机打乱观测值通常会破坏预测所依赖的信息结构,还可能引入信息泄漏。自动搜索程序通过限制搜索范围和逐步探索来减少候选模型的数量,但其结果仍然取决于搜索空间、差分决策和评估目标。

参数估计与计算方法

选定候选阶数后,便可通过估计确定模型系数、新息方差,以及回归项或确定性项。最大似然估计应用广泛,尤其适用于新息服从高斯分布的情形。其目标函数同时考虑预测误差的大小及其方差。对于存在相关性的观测值,最大化高斯似然通常并不等同于直接对未经差分的数据进行普通回归。

一种近似的条件估计方法是将未观测到的样本期前变量固定为给定值或进行初始化,然后最小化新息的平方和:

S(η)=∑t=t0nεt(η)2,S(\boldsymbol{\eta}) = \sum_{t=t_0}^{n}\varepsilon_t(\boldsymbol{\eta})^2,

其中,η\boldsymbol{\eta} 表示模型参数。在适当给定条件的情况下,纯自回归模型可以通过普通最小二乘法估计。移动平均项会使问题变为非线性问题,因为每一期的新息都需要利用参数和先前的新息递归计算。在样本较短或参数接近边界时,条件估计结果可能与精确似然估计结果存在明显差异。

精确高斯似然考虑了模型所隐含的联合分布,包括初始状态的不确定性。状态空间表示通过不可观测的状态向量和观测方程来描述时间序列。随后,卡尔曼滤波器依次计算预测误差 vtv_t 及其方差 FtF_t。对于标量观测,对数似然的贡献具有以下形式:

ℓ=−12∑t[log⁡(2π)+log⁡Ft+vt2Ft],\ell = -\frac12 \sum_t \left[ \log(2\pi)+\log F_t+\frac{v_t^2}{F_t} \right],

其中,初始化项根据所选的初始状态处理方式进行处理。

单整模型需要特别注意,因为其非平稳分量不存在有限的平稳初始协方差。弥散初始化及相关方法可以处理初始水平和趋势的不确定性。状态空间实现还可以处理缺失观测:在随时间推进状态的同时,略过相应的观测更新。这样能够保留观测之间的时间间隔;如果直接删除观测缺失的日期,并将剩余值视为连续观测,就会改变模型。

数值估计是一个带约束的数学优化问题。具体实现可以通过参数变换来保证平稳性和可逆性,尝试多个初始值,或先进行条件估计,再利用似然方法进一步求精。接近单位根、几乎相互抵消的 AR 与 MA 因子,以及过高的模型阶数,都可能导致似然曲面平坦或系数难以准确确定。优化器表面上收敛,并不意味着拟合参数具有良好的可识别性。

参数的近似标准误通常根据似然函数的曲率,利用观测信息矩阵或期望信息矩阵求得。在参数接近边界或经过大量模型选择之后,通常采用的大样本近似可能并不可靠。贝叶斯推断则将似然与指定的先验分布相结合,并可将参数的不确定性传递到预测中。所得推断结果取决于先验分布、参数化方式以及初始状态的处理方式。

残差诊断与模型适切性

拟合 ARIMA 模型的目的是使新息中不再含有任何可预测的线性结构。因此,诊断检验关注的是一步预测残差,而不只是拟合值与观测值的接近程度。对于预测误差方差随时间变化的模型,标准化残差

rt=vtFt,r_t=\frac{v_t}{\sqrt{F_t}},

提供了更具可比性的尺度。序列初期的残差可能受到初始化的影响,需要单独解读。

残差图可以揭示均值变化、持续同向的残差序列、异常值、季节性或方差变化。残差自相关则表明所选模型尚未消除的依赖关系。例如,月度残差中孤立出现的季节性模式,可能意味着遗漏了季节项、存在日历效应,或季节性特征发生了变化。解读时应考察多个滞后阶上的整体模式,而不能仅凭某一个系数超出近似显著性界限就作出判断。

Greta Ljung 和 George Box 于 1978 年提出的 Ljung–Box 检验将残差自相关系数组合成一个综合检验统计量:

Q=n(n+2)∑k=1mr^k2n−k,Q=n(n+2)\sum_{k=1}^{m} \frac{\hat r_k^2}{n-k},

其中,r^k\hat r_k 为滞后 kk 阶的残差自相关系数。在适当条件下,可将该统计量与卡方参考分布进行比较。通常需要根据估计的 AR 和 MA 系数调整自由度;季节性系数也应计入调整。最大滞后阶数必须足够大,才能提供有用信息,但也不能过大,以免在现有样本量下导致检验的实际显著性水平偏离设定水平。

未能拒绝“无自相关”的原假设,并不能证明残差相互独立,也不能证明模型正确。一个过程即使自相关为零,仍可能存在非线性依赖。尤其是,残差平方中的自相关可能表明存在条件异方差:即使新息的条件均值为零,其幅度仍取决于近期状况。因此,在分析金融收益率序列时,往往需要分别对条件均值和条件方差建模。

是否服从正态分布是另一个独立的问题。分位数图或分布检验可能揭示厚尾或不对称现象。无论是定义线性 ARIMA 过程,还是在二阶矩假设下推导其最佳线性预测,都不要求正态性。然而,在断言高斯似然的精确性,以及利用正态分布分位数计算预测区间时,正态性就十分重要。残差自相关模式令人满意,并不意味着这些分布假设也得到了验证。

异常值和结构变化可能呈现出与普通序列依赖相似的特征。单次加性测量误差只影响一个观测值,而新息异常值则可能通过模型的动态机制传播。水平突变或增长率变化又会呈现不同的特征。当这些效应发生的时间及其形式有充分依据时,可以用干预变量来表示。因此,诊断检验考察的是模型适切性的多个方面:线性依赖、分布形式、稳定性,以及异常观测与所假定过程的相容性。

预测的构造与不确定性

ARIMA 预测通过将拟合得到的递推关系向前推演而获得。已知观测值和估计的过去新息予以保留;未来新息则用其条件期望替代,通常为零。在高斯假设下,若参数已知且初始化恰当,这样得到的就是条件期望。更一般地,这种构造给出模型二阶矩结构下的最优线性预测。当条件期望存在时,它能使预期的预测误差平方最小。

对于平稳 AR(1) 过程,

yt−μ=ϕ(yt−1−μ)+εt,y_t-\mu=\phi(y_{t-1}-\mu)+\varepsilon_t,

其 hh 步预测为

y^T+h∣T=μ+ϕh(yT−μ).\hat y_{T+h\mid T} = \mu+\phi^h(y_T-\mu).

当 ∣ϕ∣<1|\phi|<1 时,最后一次观测偏差的影响逐渐减弱,预测值趋近于 μ\mu。对于带漂移的随机游走,

yt=yt−1+c+εt,y_t=y_{t-1}+c+\varepsilon_t,

预测值为 yT+hcy_T+hc。这些例子说明,平稳模型与单整模型设定意味着不同的长期行为。

预测误差方差由未来新息的传播方式决定。若一个因果平稳过程具有如下展开式:

yt−μ=∑j=0∞ψjεt−j,ψ0=1,y_t-\mu=\sum_{j=0}^{\infty}\psi_j\varepsilon_{t-j}, \qquad \psi_0=1,

那么,在参数已知且拥有理想的无限过去信息集时,

Var⁡(yT+h−y^T+h∣T)=σ2∑j=0h−1ψj2.\operatorname{Var} \left(y_{T+h}-\hat y_{T+h\mid T}\right) = \sigma^2\sum_{j=0}^{h-1}\psi_j^2.

有限样本下的实现还可以计入当前状态的不确定性。单整模型也有类似的新息传播计算,但其预测方差通常会持续增长,在长期预测中不存在有限极限。对于随机游走,方差为 hσ2h\sigma^2;对于二阶差分模型,方差的增长可达到三次方量级。

近似的高斯预测区间为

y^T+h∣T±z1−α/2Vh,\hat y_{T+h\mid T} \pm z_{1-\alpha/2}\sqrt{V_h},

其中,VhV_h 为预测误差方差。这是未来观测值的区间,而不是模型参数的置信区间。常见的解析区间以选定的模型设定和估计参数为给定条件,因此忽略了参数估计、模型选择以及未来可能发生的结构变化所带来的部分不确定性。在各自假设成立的前提下,模拟、自助法和贝叶斯预测计算可以纳入额外的不确定性来源。

变换也会改变预测的解释。如果模型拟合的对象是 log⁡yt\log y_t,那么在高斯预测分布下,对其预测值取指数,得到的是原始尺度上的中位数。当未来的对数值服从均值为 mhm_h、方差为 VhV_h 的正态分布时,对应的均值为

exp⁡(mh+Vh/2),\exp(m_h+V_h/2),

对区间端点施加单调变换,可以保持区间的概率覆盖率;但对点预测作变换,通常不能使其仍然代表均值。

预测准确性应在与实际用途相关的预测步长上进行评估。均方误差更侧重较大的误差,而绝对误差指标体现的是另一种损失结构。数值接近零时,百分比误差会出现问题。以最后一次观测值作为预测值、采用季节性朴素预测等简单替代方法,提供了重要的比较基准,可用于判断估计得到的 ARIMA 结构是否带来了实际的预测价值。

历史发展与应用领域

ARIMA 源于二十世纪研究相依观测数据的多条研究脉络。1927 年,G. 尤德尼·尤尔利用自回归模型研究太阳黑子数,说明了随机递推过程如何产生振荡行为。欧根·斯卢茨基同样发表于 1927 年的研究表明,随机因素的叠加可以生成看似具有周期性的模式。这些研究帮助确立了一种认识:时间上的规律性并不一定意味着存在完全确定的周期。

赫尔曼·沃尔德于 1938 年的研究为平稳时间序列提供了一种基础性分解。协方差平稳过程中的非确定性成分,可以表示为互不相关的新息的单侧无穷移动平均;若存在确定性成分,则将其单独列出。有限阶 ARMA 模型为许多此类相依结构提供了简洁的参数化表示,但无法仅用有限个系数精确表示所有平稳过程。

乔治·E. P. 博克斯和格威利姆·M. 詹金斯在 1970 年出版的《时间序列分析:预测与控制》第一版中,系统整理了 ARIMA 模型的实际分析方法。他们将图形识别、参数估计、诊断检验和预测整合为一套迭代流程。因此,“博克斯–詹金斯模型”成为 ARIMA 模型的常用名称,尽管博克斯–詹金斯方法本质上是一套工作流程,而非某一种特定的模型形式。

干预分析是其中一项具有重要影响的应用。博克斯与乔治·C. 蒂奥在 1975 年发表的论文提出了一套方法,用于在考虑具有自相关性的背景波动的同时,评估与特定事件相关的变化。阶跃项、脉冲项和动态干预项可以描述不同的时间响应。这类模型将事件可能产生的信号与序列自身的常规动态区分开来,但因果解释是否成立,仍取决于 ARIMA 误差模型之外的研究设计与假设。

在经济统计中,ARIMA 模型既用于预测,也作为季节调整程序的组成部分。美国人口普查局的 X-13ARIMA-SEATS 系统将回归和 ARIMA 功能与季节调整方法相结合。在滤波之前,可以通过前向预测和后向预测延伸序列,从而减轻端点处的处理困难。回归项可以表示交易日构成、节假日和异常值的影响,而 ARIMA 部分则对这些调整之后剩余的序列相依性进行建模。

其应用还包括需求与库存规划、工业过程监测,以及对按固定时间间隔采样的环境测量数据进行预测。该模型尤其适合作为一种透明的统计基准:滞后项的数量及其所处的滞后阶数,明确规定了过去的观测值和新息如何影响预测。在某个领域应用 ARIMA 模型,并不意味着该领域的每个序列都具有 ARIMA 结构。采样频率、数据修订、测量方式变化以及外部冲击,都可能显著改变某个已拟合模型的适用性。

扩展、相关模型与局限性

一种重要的扩展是将线性回归与 ARIMA 误差相结合:

yt=xtTβ+nt,ϕ(B)(1−B)dnt=θ(B)εt.y_t=\boldsymbol{x}_t^{\mathsf T}\boldsymbol{\beta}+n_t, \qquad \phi(B)(1-B)^d n_t=\theta(B)\varepsilon_t.

回归变量可以包括价格、气象观测值、政策指标、确定性趋势或日历变量。系数描述的是在所选误差结构条件下的变量关系。进行预测时,需要给定回归变量的未来值,或为其设定明确的情景。以给定的回归变量路径为条件构建的区间,并不会自动涵盖该路径本身的不确定性。

相关术语的用法并不统一。“ARIMAX”和“SARIMAX”可能指带有 ARIMA 误差的回归模型,也可能指包含滞后外部输入的模型,或更广义的传递函数模型设定。传递函数模型允许输入的影响通过滞后多项式或有理滤波器随时间动态展开。其系数的含义不一定与同期回归中的系数相同。因此,相比单看缩写,模型的定义方程能提供更多信息。

ARIMA 模型也与指数平滑密切相关。在采用适当的初始化方式和参数约定时,简单指数平滑的预测形式与无漂移项的 ARIMA(0,1,1)(0,1,1) 模型相对应。其他平滑方法也有相应的 ARIMA 表示,但这两类模型并不完全相同。指数平滑的新息状态空间形式允许采用不同于常规 ARIMA 模型的结构和参数约束。

描述多变量之间的依赖关系需要额外的结构。向量自回归对多个共同演化的序列建模,而协整描述的是各自为单整序列的变量之间存在平稳线性组合的情形。对各个单变量序列分别进行差分,可能会丢失有关这类长期关系的信息。分数阶单整模型用分数阶差分参数取代整数 dd,使依赖关系的衰减速度可以慢于普通有限阶平稳 ARMA 模型通常所能产生的衰减速度。

常规 ARIMA 模型的核心限制在于,它假定关系是线性的,且参数保持稳定。阈值行为、状态转换、非对称响应和波动聚集等现象,可能需要用其他类别的模型来描述。基于机器学习的模型能够利用大量预测变量及其非线性交互作用,而结构状态空间模型则明确区分水平、趋势和季节性等成分。各种方法的相对预测表现取决于具体序列、样本量、可用预测变量、预测期长度和评估设计,并不存在普遍适用的方法优劣排序。

时间上的可预测性本身并不构成因果推断的证据。自回归系数概括的是对过去值的条件依赖关系,并不能识别干预的效果。回归系数也可能受到遗漏变量、反馈作用和共同趋势的影响。同样,基于模型得出的精确区间描述的是特定概率结构内的不确定性,并不意味着能够防范未来的一切扰动。当数据生成关系发生变化时,一个此前通过充分诊断的 ARIMA 模型,即使内部计算仍然自洽,也可能失去对外部实际数据的预测准确性。