Regression model
แบบจำลอง ARIMA (Autoregressive Integrated Moving Average)
ARIMA เป็นแบบจำลองการพยากรณ์อนุกรมเวลาแบบเอกปัจจัย (univariate) ที่รวมองค์ประกอบของ autoregressive, integrated (differencing), และ moving-average เพื่อคาดการณ์อนุกรมต่อเนื่องเพียงหนึ่งเดียวจากข้อมูลในอดีตของมันเอง แบบจำลองนี้เป็นหัวใจสำคัญของระเบียบวิธี Box-Jenkins ที่นำเสนอในหนังสือ Time Series Analysis (ฉบับพิมพ์ครั้งที่ 5, 2015) โดย Box, Jenkins, Reinsel & Ljung
อ่านวิธีฉบับเต็ม
สำหรับสมาชิกเท่านั้น
เข้าสู่ระบบเข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+39 more
แหล่งอ้างอิง
- Box, G. E. P., Jenkins, G. M., Reinsel, G. C. & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5th ed.). Wiley. ISBN: 978-1118675021
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Autoregressive Integrated Moving Average Model. ScholarGate. https://scholargate.app/th/econometrics/arima
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- การปรับให้เรียบแบบเอ็กซ์โพเนนเชียลเชิงเดี่ยวและเชิงคู่ (SES / Holt)เศรษฐมิติ↔ compare
- แบบจำลองความแปรปรวนแบบมีเงื่อนไขอัตถอยทั่วไป (GARCH)เศรษฐมิติ↔ compare
- การถดถอยกำลังสองน้อยที่สุดสามัญ (OLS)เศรษฐมิติ↔ compare
- Seasonal ARIMA (SARIMA)เศรษฐมิติ↔ compare
- แบบจำลอง Vector Autoregression (VAR)เศรษฐมิติ↔ compare
ถูกอ้างอิงโดย
การทดสอบรากหน่วย Augmented Dickey-Fuller (ADF)Autoformer: Decomposition Transformer สำหรับการพยากรณ์อนุกรมเวลาในระยะยาวแบบจำลองอนุกรมเวลาโครงสร้างแบบเบย์เซียนการทดสอบ LM ของ Breusch-Godfrey สำหรับสหสัมพันธ์เชิงอันดับการทดสอบสหการ (Johansen / Engle-Granger)Conditional Value-at-Risk (Expected Shortfall)การพยากรณ์แบบคอนฟอร์มอลสำหรับอนุกรมเวลาวิธีของครอสตันสำหรับอุปสงค์ที่ไม่ต่อเนื่องDCC-GARCH (Dynamic Conditional Correlation)DeepARDLinear: แบบจำลองเชิงเส้นแบบแยกส่วนสำหรับการพยากรณ์อนุกรมเวลาExponential GARCH (EGARCH)ETS: การปรับให้เรียบแบบเอ็กซ์โพเนนเชียลสำหรับความคลาดเคลื่อน, แนวโน้ม, และฤดูกาลการปรับให้เรียบแบบเอ็กซ์โพเนนเชียลเชิงเดี่ยวและเชิงคู่ (SES / Holt)ทฤษฎีค่าสุดขีด (Extreme Value Theory: EVT)แบบจำลองความแปรปรวนแบบมีเงื่อนไขอัตถอยทั่วไป (GARCH)แบบจำลอง GARCH (การพยากรณ์ความผันผวน)GJR-GARCH (GARCH แบบไม่สมมาตร)แบบจำลองการพยากรณ์แบบเทา GM(1,1)Holt-Winters Triple Exponential SmoothingInformerการทดสอบสหสัมพันธ์ร่วมของโยฮันเซนและแบบจำลองการปรับแก้ความคลาดเคลื่อนแบบเวกเตอร์ฟิลเตอร์คาลมานการทดสอบภาวะอยู่กับที่ของ KPSSแบบจำลอง Lee-Carterการทดสอบ Ljung-Box Q สำหรับสหสัมพันธ์ในตัวเองแบบจำลองหน่วยความจำยาว (ARFIMA, FIGARCH)แบบจำลองมาร์คอฟสลับระบอบ (MS-AR / MS-VAR)การหาค่าเหมาะสมที่สุดของพอร์ตโฟลิโอแบบเฉลี่ย-ความแปรปรวน (Markowitz)MIDAS Regression: การพยากรณ์ข้ามความถี่ข้อมูลแบบผสมN-BEATSN-HiTSPatchTSTการทดสอบรากหน่วยแบบฟิลลิปส์-เพอร์รอน (Phillips-Perron (PP) Unit-Root Test)ความผันผวนที่รับรู้ได้และแบบจำลอง HARSARIMAXแบบจำลองปริภูมิสถานะ (ตัวกรองคาลมาน)การแยกส่วนประกอบ STL: การแยกส่วนประกอบตามฤดูกาลและแนวโน้มโดยใช้ Loessแบบจำลองอนุกรมเวลาเชิงโครงสร้าง (แบบจำลองโครงสร้างพื้นฐาน)TBATSตัวแปลงฟิวชั่นเชิงเวลาวิธีเทตา (The Theta Method)การตรวจสอบไขว้สำหรับอนุกรมเวลา (หน้าต่างแบบกลิ้ง/ขยาย)มูลค่าความเสี่ยงแบบจำลอง Vector Autoregression (VAR)แบบจำลองการแก้ไขข้อผิดพลาดเวกเตอร์ (VECM)X-13ARIMA-SEATS การปรับฤดูกาล