自回归滑动平均模型（Autoregressive moving average model，简称：ARMA 模型）是研究时间序列的重要方法，由自回归模型（简称AR 模型）与移动平均模型（简称MA
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。
1、时间序列分析
1.1 相关概念：
白噪声：均值为0，方差存在且为常数、数据前后不相关。
平稳时间序列：均值为固定常数、方差存在且为常数、协方差只与时间间隔有关。
协方差：为自变量x 与因变量y 的协同性，若x，y 同大于期望值，则协方差为正；若x，y 分别处在期望值两侧，则协方差为负。
ARMA 模型只考虑平稳时间序列，对非平稳时间序列（非白噪声），需要进行差分处理。
1.2 当前数据受之前几期数据的影响？
判断方法：
- 直观的ACF、PACF 图判断；
- 精确的单位根检验判断。
2、ARMA 时间序列
AR 模型，即自回归序列(Auto Regressive Model)
image.png
MA 序列，即滑动平均序列(Moving Average Model)
image.png
ARMA 序列，即自回归滑动平均序列(Auto Regressive Moving Average Model)
image.png
ARMA 时间序列具有遍历性，可以通过它的一个样本估计自协方差函数及自相关函数。
