时间序列（英语：time series）是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。
定义应该很好理解，日常生活中时间序列无处不在：CPU负载、上证指数、商场每天的人流量、商品每日价格。
效应分解法：
时间序列3种效应
趋势性、周期性\季节性变动、随机性
（1）趋势性：是指序列朝着一定的方向持续上升或下降，或者停留在某个水平上的倾向。它反映了客观事物的主要变化趋势，比如随着企业近段时间拓展业务，销售额稳步上升的趋势。
（2）周期性\季节性变动：周期性通常是指经济周期，由非季节因素引起的波形相似的波动，比如GDP增长率随经济周期的变化而变化。但是周期性变动稳定性不强，在实际操作中很难考虑周期性变动，主要考虑的是季节性变动。季节性变动是指季度、月度、周度、日度的周期变化，比如啤酒的销量在春季、夏季较高而在秋季、冬季较低，郊区的加油站人流量在周末多而周中少，交通流量在上班高峰多而在其他时间少。
（3）随机性：随机变动是指由随机因素导致的时间序列的小幅度波动。
（4）还有节日效应，比如春节引起的交通运量、“双11”促销引起的网上商品销量骤然上升等现象。
时间序列效应分解
2、时间序列3种效应的组合方式
(1)加法模型，即三种效应是累加的，其中，Tt代表趋势效应，St代表季节效应，It代表随机效应：xt=Tt+St+It
(2)乘积模型，即三种效应是累计的：xt=Tt×St×It
1
时间序列分析方法：
纯时间序列方法：
纯时间序列方法是一种统计分析方法，它基于时间序列数据，即按照时间顺序排列的一组随机变量，来进行预测和分析。这种方法适用于连续过程中的事物的预测，需要有多年的数据资料，并且这些数据的变化趋势和相互关系需要明确和稳定。通过将数据按时间顺序排列，可以揭示数据的变化趋势，进而预测未来的发展趋势。纯时间序列方法不受其他外在因素的影响，主要以时间的推移来研究市场需求趋势。然而，当外界发生较大变化，如国家政策调整时，仅依据过去数据进行的预测可能会有较大的偏差。
纯时间序列分析的主要步骤包括：
数据收集：收集并整理按时间顺序排列的数据。
趋势分析：分析数据的变化趋势，这可以通过视觉检查或使用统计方法来完成。
模型构建：根据数据的趋势、季节性、周期性等因素，构建数学模型。
预测：使用构建的模型进行未来数据的预测。
验证：对预测结果进行验证，确保预测的准确性和可靠性。
纯时间序列方法在宣传工作、电力系统动态数据处理、经济预测等领域有广泛应用。常用的时间序列法包括移动平均法、加权移动平均法和指数平均法，这些方法有助于消除偶然性因素的影响，提高预测的准确性
因果时间序列方法：
因果时间序列方法主要指的是Multivarite ARIMA，这是一种时间序列分析方法，用于分析多个变量之间的因果关系。与纯时间序列方法（如ARIMA）相比，因果时间序列方法特别关注于变量之间的因果关系，旨在揭示一个或多个自变量与因变量之间的关系。这种方法在处理复杂的时间序列数据时非常有用，尤其是当数据涉及多个相关变量时。
因果时间序列分析的方法不仅考虑了时间序列的特性，还深入探讨了变量之间的因果联系。例如，通过分析时间序列数据，可以确定哪些因素对特定结果有直接影响，以及这些影响是如何随时间变化的。这种方法在金融分析、市场预测、气候变化研究等领域有着广泛的应用，因为它能够帮助研究者或决策者更好地理解复杂系统中的动态关系，从而做出更准确的预测和决策。
此外，因果时间序列分析还涉及到一些具体的统计方法和模型，如格兰杰因果关系检验等，这些方法和模型在识别和量化变量之间的因果关系方面发挥着重要作用。然而，需要注意的是，因果关系的确定往往受到数据特性、模型假设以及分析方法的限制，因此在进行因果时间序列分析时需要谨慎处理各种潜在的影响因素
重点说一下ARIMA模型：这个模型考虑了全部的因素。
简单ARIMA和Multi ARIMA的区别：后边这个包含因果。那怎么看是不是包含因果——做因果检验。
1 格兰杰因果检验 这只是一种因果条件理论
因果成立三个条件：
1 AB两个时间必须存在相关性。
2 原因A必须发生在结果B之前。
3 排除其他干扰因素（没有A还会不会发生B， AC同时出现的时候才发生B）
从公式可以看出来它是通过把相关系数和偏相关系数分离的方式来控制干扰因素的
简单的ARIMA没有考虑t时刻之前的干扰因素对结果的影响。
Multi ARIMA是唯一考虑因果关系的模型。
一般来说要预测一个，前边要有至少15个数据。历史数据越多对预测帮助越大。
分段线性回归也是可以的，只要模型拟合度好，能解释的通，模型就是可以的。
arima模型的建模步骤
ARIMA（自回归移动平均模型）是一种广泛用于时间序列预测的统计模型，其建模步骤主要包括以下几个关键环节：
数据准备与可视化：
首先，对时间序列数据进行可视化观察，通过图表初步判断数据是否存在明显的趋势或周期性，这有助于后续选择合适的模型阶数和参数。
平稳性检验：
时间序列数据必须是平稳的，才能进行ARIMA模型建模。如果数据不平稳，可以通过差分法使其平稳。常用的平稳性检验方法包括ADF检验、PP检验等。
确定模型的阶数：
ARIMA模型的阶数包括自回归项数(p)、差分次数(d)和移动平均项数(q)。这些参数可以通过计算自相关系数(ACF)和偏自相关系数(PACF)来初步判断。p值可以从PACF图的最大滞后点来大致判断，q值可以从ACF图的最大滞后点来大致判断。
建模：
根据确定的阶数，使用统计软件（如R、Python等）中的ARIMA函数来建立模型。在建模过程中，还需要选择合适的参数估计方法，如最大似然估计、最小二乘估计等。
模型检验：
建立模型后，需要对模型进行检验，以判断模型是否适合数据。常用的检验方法包括残差检验、拟合优度检验等。如果模型不合适，需要调整模型的阶数或参数，重新建模。
模型预测：
一旦模型通过检验，就可以利用该模型进行预测。预测的准确性可以通过各种指标（如MAPE）来评估。
模型优化：
如果初始模型预测效果不佳，可以通过调整模型的阶数、参数或者尝试其他类型的模型来优化预测效果。
通过上述步骤，可以有效地建立和应用ARIMA模型进行时间序列预测。需要注意的是，ARIMA模型的适用性取决于数据的特性，对于非线性或非平稳性较强的数据，可能需要考虑其他更复杂的模型。
ARIMA模型的基本原理
ARIMA模型（Autoregressive Integrated Moving Average model）是一种时间序列预测分析方法，由自回归（AR）、差分（I）和移动平均（MA）三个部分组成。ARIMA(p, d, q)中，p表示自回归项数，d表示差分的阶数，q表示移动平均项数。差分是为了使非平稳时间序列转化为平稳序列，以便应用ARMA模型进行分析。
自回归（AR）部分
自回归是指当前时刻的观测值与过去若干时刻的观测值之间存在关联。AR模型使用已知的过去观测值来预测未来的观测值。具体来说，AR模型的p表示使用p个过去的观测值作为自变量进行预测。
差分部分
差分是指对原始时间序列数据进行一阶或多阶的差分操作，从而消除数据的非平稳性。差分后的数据通常更容易分析和建模。通过差分操作，可以将非平稳时间序列转化为平稳时间序列，进而应用ARMA模型进行分析。
移动平均（MA）部分
移动平均是指当前时刻的观测值与过去若干时刻的预测误差之间存在关联。MA模型使用过去的预测误差来进行预测。具体来说，MA(q)模型的q表示使用q个过去的预测误差作为自变量进行预测。
ARIMA模型的应用步骤和特点
ARIMA模型的应用步骤包括：首先对时间序列数据进行差分操作，使其成为平稳序列；然后建立ARMA模型进行预测；最后进行残差序列独立性检验，确保模型的准确性。一个较好的ARIMA模型要求残差序列之间是独立的，可以通过德宾-沃森（Durbin-Watson）检验来检验残差的独立性。
ARIMA模型的公式主要包括几个部分，具体如下：
ARIMA(0,1,0) = Random Walk：当d=1, p和q为0时，称为随机游走模型。这种情况下，每一个时刻的位置只与上一时刻的位置有关，没有其他依赖关系。
ARIMA(1,0,0) = First-Order Autoregressive Model：当p=1, d=0, q=0时，表示时序数据是稳定的和自相关的。这意味着一个时刻的Y值只与上一个时刻的Y值有关。
ARIMA(1,1,0) = Differenced First-Order Autoregressive Model：当p=1, d=1, q=0时，表示时序数据在一阶差分化之后是稳定的和自回归的。即一个时刻的差分(y)只与上一个时刻的差分有关。
ARIMA(0,1,1) = Simple Exponential Smoothing with Growth：当p=0, d=1, q=1时，表示数据在一阶差分后是稳定的和移动平均的。即一个时刻的估计值的差分与上一个时刻的预测误差有关。
这些公式展示了ARIMA模型在不同条件下的表现形式，其中p表示自回归项的阶数，d表示差分的阶数，q表示移动平均项的阶数。ARIMA模型通过这些参数的设置，能够捕捉时间序列数据中的自相关性，并进行预测
转自蓝境数据微信公众号，仅作学习交流，如有侵权，请联系本站删除！
