Das ARIMA-Modell, das für AutoRegressive Integrierte Gleitende Durchschnitt, is a popular statistical method used for analyzing and forecasting Zeitreihe data. This model is particularly useful for data that shows patterns over time, such as stock prices, economic indicators, and weather data.
ARIMA besteht aus drei Hauptkomponenten:
- AutoRegressiv (AR): This part of the model uses the relationship between an observation and a number of lagged observations (previous time points). The AR component captures the influence of past values on current values.
- Integriert (I): This component involves differencing the raw observations to make the time series stationary, meaning that its statistical properties do not change over time. Stationarity is a key requirement for Zeitreihenanalyse.
- Gleitender Durchschnitt (MA): This part models the relationship between an observation and a residual error from a moving average model applied to lagged observations. The MA component accounts for the impact of random shocks or noise in the data.
Um das ARIMA-Modell effektiv zu nutzen, müssen Analysten die geeignete parameters für jede Komponente bestimmen, oft bezeichnet als (p, d, q), wobei:
- p ist die Anzahl der in das Modell einbezogenen verzögerten Beobachtungen (AR-Teil).
- d ist die Anzahl der Male, die die Rohdaten differenziert werden (I-Teil).
- q ist die Größe des gleitenden Durchschnittsfensters (MA-Teil).
Das ARIMA-Modell wird aufgrund seiner Flexibilität und Wirksamkeit bei der Erfassung verschiedener zeitlicher Dynamiken in Daten weit verbreitet verwendet. Es kann auch auf saisonale Daten erweitert werden, was zu einem Seasonal ARIMA (SARIMA)-Modell führt.