Autoregressiivne integreeritud libisev keskmine (ARIMA)

Autoregressive Integrated Moving Average (ARIMA) on statistiline meetod, mida kasutatakse aegridade andmete analüüsimiseks ja prognoosimiseks. See on populaarse autoregressiivse libiseva keskmise (ARMA) mudeli üldistus, mis sisaldab integreeritud komponenti mittestatsionaarsete andmete probleemi lahendamiseks. ARIMA mudelid sobivad hästi andmete lühiajaliste kõikumiste ja pikaajaliste trendide prognoosimiseks.

ARIMA mudelid on tuletatud Box-Jenkinsi metoodikast, mis on andmepõhine protsess prognoosimudelite loomiseks. ARIMA mudelid on määratletud kolme komponendi põhjal: autoregressiooni (AR) komponent, seeria statsionaarseks muutmiseks vajalike erinevuste arv (tähistatakse tähega "d") ja liikuva keskmise (MA) komponent.

Autoregressiooni komponent modelleerib korrelatsiooni sama muutuja väärtuste vahel erinevatel ajaperioodidel. Erinevuste arv kajastab andmete mis tahes aluseks olevat trendi või hooajalisust ja võimaldab andmetel muutuda paigal. Liikuv keskmine komponent korrigeerib lühiajalisi kõikumisi, võttes eelmiste prognooside hilinenud vigade keskmise.

ARIMA mudeleid kasutatakse laialdaselt rahanduses, majanduses ja muudes valdkondades tulevikutrendide ja tuleviku prognoosimiseks. Neid kasutatakse ka ennustava analüütika jaoks, et ennustada muutujate vahelisi seoseid suurtes andmekogumites.

ARIMA mudelid nõuavad keerulisi matemaatilisi arvutusi ja nende tõhususe tagamiseks on vaja palju andmeid. Lisaks tuleb need kalibreerida konkreetsete andmekogumite jaoks ja selleks on vaja mõista aluseks olevaid andmemustreid. ARIMA mudeleid saab laiendada keerukamate andmete, näiteks mitme muutuja ja suundumusega andmete modelleerimiseks.

Üldiselt on ARIMA mudelid kasulik tööriist aegridade analüüsiks ja prognoosimiseks. Need on võimsad tööriistad andmete keeruliste mustrite paljastamiseks ja neid saab kasutada tuleviku tõhusaks prognoosimiseks.