自我回归模型,是统计上一种处理时间序列的方法,用同一变数例如
x
{\displaystyle x}
的之前各期,亦即
x
1
{\displaystyle x_{1}}
至
x
t
−
1
{\displaystyle x_{t-1}}
来预测本期
x
t
{\displaystyle x_{t}}
的表现,并假设它们为一线性关系。因为这是从回归分析中的线性回归发展而来,只是不用
x
{\displaystyle x}
预测
y
{\displaystyle y}
,而是用
x
{\displaystyle x}
预测
x
{\displaystyle x}
;因此叫做自我回归。
1
ARMA模型。是研究时间序列的重要方法,由自回归模型与移动平均模型为基础“混合”构成。在市场研究中常用于长期追踪资料的研究,如:Panel研究中,用于消费行为模式变迁研究;在零售研究中,用于具有季节变动特征的销售量、市场规模的预测等。
格兰杰因果关系检验是一种假设检定的统计方法,检验一组时间序列
x
{\displaystyle x}
是否为另一组时间序列
y
{\displaystyle y}
的原因。它的基础是回归分析当中的自回归模型。回归分析通常只能得出不同 变量间的同期 相关性;自回归模型只能得出同一 变量前后期 的相关性;但诺贝尔经济学奖得主克莱夫·格兰杰于1969年论证 ,在自回归模型中透过一系列的检定进而揭示不同变量之间的时间落差相关性是可行的。
ARMA模型。是研究时间序列的重要方法,由自回归模型与移动平均模型为基础“混合”构成。在市场研究中常用于长期追踪资料的研究,如:Panel研究中,用于消费行为模式变迁研究;在零售研究中,用于具有季节变动特征的销售量、市场规模的预测等。
格兰杰因果关系检验是一种假设检定的统计方法,检验一组时间序列
x
{\displaystyle x}
是否为另一组时间序列
y
{\displaystyle y}
的原因。它的基础是回归分析当中的自回归模型。回归分析通常只能得出不同 变量间的同期 相关性;自回归模型只能得出同一 变量前后期 的相关性;但诺贝尔经济学奖得主克莱夫·格兰杰于1969年论证 ,在自回归模型中透过一系列的检定进而揭示不同变量之间的时间落差相关性是可行的。
ARMA模型。是研究时间序列的重要方法,由自回归模型与移动平均模型为基础“混合”构成。在市场研究中常用于长期追踪资料的研究,如:Panel研究中,用于消费行为模式变迁研究;在零售研究中,用于具有季节变动特征的销售量、市场规模的预测等。