完整定義
ARIMA(差分整合移動平均模型)是一種統計分析模型,用於預測時間序列資料。它結合了自迴歸(AR)、整合(I,差分)和移動平均(MA)三個部分。ARIMA模型通過分析過去的資料點之間的相關性,來預測未來的數值。其核心思想是將時間序列資料視為隨機過程,並利用其自相關性進行建模和預測。
白話說明
你想預測下個月的銷量,卻發現數字有趨勢又有週期嗎?
你可以把 ARIMA 想成專門看時間順序的預測器,它會先把趨勢整理平,再找殘留規律。
它特別適合把歷史數據當成一條時間線來分析的場景。
記住這句
先把趨勢差掉,再用過去的規律預測未來
比喻:ARIMA 就像一個老練的氣象預報員 -- 它會研究過去幾天的氣溫變化趨勢(自迴歸),考慮今天比昨天「差了多少」(差分),再結合過去幾天的平均誤差(移動平均),來預測明天的天氣。
容易混淆
ARIMA vs 指數平滑法?
ARIMA:用自迴歸、差分、移動平均做預測
指數平滑法:更偏向平滑近期資料來做預測
最關鍵的區別:ARIMA 會先處理平穩性,指數平滑更像直接抓近期趨勢
ARIMA vs 季節性分解?
ARIMA:可處理非平穩序列,先差分再建模
季節性分解:把趨勢、季節、殘差拆開看
最關鍵的區別:分解是分析方法,ARIMA 是預測模型
ARIMA vs Prophet?
ARIMA:主要看歷史自身
Prophet:更方便加入節日、假期等外生因素
最關鍵的區別:ARIMA 偏傳統統計,Prophet 更方便處理業務日曆特徵
實際案例
門市月銷售
店長拿三年的月銷量做預測,ARIMA 幫他先處理上升趨勢,再估下個月需求
網站流量
網站每天訪客數有明顯週期,ARIMA 可以先差分,再抓節奏做短期預測
演算法與應用
- 重點
- p
- 你要看什麼
- 自迴歸階數
- 為什麼重要
- 看前多少期的值會影響現在
- 重點
- d
- 你要看什麼
- 差分次數
- 為什麼重要
- 把趨勢變平穩
- 重點
- q
- 你要看什麼
- 移動平均階數
- 為什麼重要
- 看前多少期誤差會影響現在
情境判斷
Q1:資料圖看起來有明顯上升趨勢,直接拿去做 ARIMA 合適嗎?
通常不合適,先差分讓序列更平穩再建模
Q2:如果資料有強烈節慶效應,ARIMA 就一定比 Prophet 好嗎?
不一定,這時是否加入外生變數、季節項與業務特徵會影響結果
常見問題
常用 ACF、PACF、AIC、BIC 來試,通常要搭配資料圖與驗證集結果一起看。
可以,但不一定穩。時間越長,誤差通常會累積,短中期通常比較可靠。
不一定。資料量小、規律清楚時,ARIMA 常比大型模型更穩也更好解釋。
出現在這些考古題
官方公告試題的逐題解析裡,這 1 題把差分整合移動平均列為延伸術語。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本