Nie ma zmiennych objaśniających - same szeregi czasowe.
Określają związek funkcyjny między wartościami zmiennej prognozowanej w okresie / momencie t, a wartościami tej zmiennej z okresów/momentów poprzednich t-1, t-2 ... t-p; p - opóźnienie.
Powody stosowania:
1) Istnieje wiele zjawisk gospodarczych wskazujących na występowanie opóźnienia ich przebiegu w czasie np. popyt na wiele dóbr trwałego użytku charakteryzuje się cyklami opóźnień związanymi z okresem ich użytkowania
2) Rezygnacja z uwzględniania niejednokrotnie wielu zmiennych obj aśniaj ących Zastosowanie:
Modelowanie stacjonarnych szeregów czasowych czyli:
takich szeregów czasowych, w których występuj ą jedynie wahania losowe wokół średniej szeregów czasowych niestacjonarnych sprowadzanych do stacjonarnych
Klasyfikacja modeli autoregresyjnych i średniej ruchomej:
• Modele autoregresji (AR)
• Modele średniej ruchomej (MA)
• Modele mieszane autoregresji i średniej ruchomej (ARMA)
Zintegrowane modele autoregresji i średniej ruchomej - w nich zakłada się stacjonarność zmiennej prognozowanej. W przypadku braku stacjonamości:
dokonuje się przekształcenia szeregu czasowego w szereg stacjonarny, przeprowadzając operację różnicowania, która polega na d-krotnym obliczaniu różnic sąsiednich wyrazów szeregu
Pierwsze różnice oblicza się jako: wt = yt -yt-i ; drugie jako: Zt = wt - wt.t = (yt - yt-0 - (yt-i - yt-?.) = yt - 2yt.! + yt.2 . Kolejne oblicza się analogicznie.
Przeprowadza się tą operacją, aż do momentu gdy szereg czasowy stanie się stacjonarny.
Budowane dla tych przekształconych szeregów czasowych modele określa się mianem zintegrowanych modeli:
1) Autoregresyjne (ARI)
2) Średniej ruchomej (IMA)
3) Autoregresji i średniej ruchomej (ARJMA)
Przyjęta uniwersalna notacja modeli:
ARIMA (p,d,q)
p - rząd autoregresji, wielokrotność opóźnienia d - krotność różnicowania q - liczba parametrów średniej ruchomej ARIMA(p,0,0) AR(p)
ARIMA(0,0,q) MA(q)
ARIMA(p,0,q) ARMA(p,q)
ARIMA(p,d,0) ARI(p,d)
Podejście do budowy modeli zaproponowane przez BOXa i JENKINSa w 1976 Zakładamy, że tworzymy nowy stacjonarny szereg czasowy zmiennej prognozowanej.
Po identyfikacji odpowiedniego dla danego szeregu czasowego modelu, czyli określenia jego postaci oraz wielkości uwzględniających w modelu opóźnień, używa się współczynników autokorelacji i autokorelacji cząstkowej.
Głównąząsąda;
Jeśli wartość współczynnika autokorelacji wykładniczo maleje do 0, czyli liczba tych współczynników istotnie różnych od 0 jest stosunkowo duża, a liczba współczynników autokorelacji cząstkowej istotnie różniących się od 0 jest bardzo mała to należy stosować MODEL AUTOREGRESYJNY
Jeśli wartość współczynników autokorelacji cząstkowej wykładniczo maleje do 0, czyli liczba tych współczynników istotnie różniących się od 0 jest stosunkowo duża, a liczba współczynników autokorelacji istotnie różniących się od 0 jest bardzo mała to powinno się stosować MODELE ŚREDNIEJ RUCHOMEJ