前面說了AR模型和MA模型，ARMA就是結合一下，既有自回歸又有移動平均

就是這樣形式哈！懶得打公式。。。

同樣還是舉個栗子 ！

#ARMA自回歸移動平均模型 mod<-arima.sim(model=list(ar=c(0.7,0.1),ma=c(0.7,0.1)),n=100)#滯后項系數都為為0.7，0.1 plot(mod,type='o') acf(mod) pacf(mod)

這里模擬一個ARMA模型，

AR模型在自相關圖中p階結尾，偏自相關圖是衰減趨于0或震蕩。MA模型正好相反。

所以在ARMA模型在定階的時候見不能用自相關和偏自相關圖，只能用來初步判斷。

一般用AIC準則來定階。

AIC越小，就越好哈，（很熟悉吧？多重共線性里逐步回歸也是這個準則）

R語言里給給出了直接定階的函數auto.arima()

library(forecast) auto.arima(mod)

這里給出的滯后項的階數和模型不一樣，我們比較一下用他給的滯后項擬合，和原來模型階數擬合

arima.test(mod,order=c(1,0,2),include.mean=F)# ar一階 ma兩階 arima.test(mod,order=c(2,0,2),include.mean=F)#ar兩階，ma兩階

好像是他給的滯后階數擬合出來的模型要好

這就很奇怪了。。我認為呢，，一個本身擬合的時候就是有隨機項，所以結果和模型有些偏差很正常，而且畢竟計量經濟學是經濟學，所以在擬合模型的時候還是要重點關注理論知識，模型合乎經濟理論和經濟規律就差不多了吧。

我也不是學經濟的，所以沒啥這方面理論知識，希望大家分享一下在實際經濟模型擬合過程中遇見的問題吧！

補一個ARMA的預測

ari.model<-arima(mod,order=c(1,0,2),include.mean=F) predict(ari.model,n.ahead=5) #向前預測5期

總結

以上是生活随笔為你收集整理的arma模型_R语言与计量经济学（七）ARMA模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。