Le modèle ARIMA, qui signifie Moyenne Mobile Intégrée Auto-Régressive, is a popular statistical method used for analyzing and forecasting série temporelle data. This model is particularly useful for data that shows patterns over time, such as stock prices, economic indicators, and weather data.
ARIMA se compose de trois composants principaux :
- AutoRégresseur (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.
- Intégrée (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 analyse de séries temporelles.
- Moyenne Mobile (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.
Pour utiliser efficacement le modèle ARIMA, les analystes doivent déterminer la parameters pour chaque composant, souvent noté (p, d, q), où :
- p est le nombre d'observations décalées incluses dans le modèle (partie AR).
- d est le nombre de fois que les observations brutes sont différenciées (partie I).
- q est la taille de la fenêtre de la moyenne mobile (partie MA).
Le modèle ARIMA est largement utilisé en raison de sa flexibilité et de son efficacité à capturer diverses dynamiques temporelles dans les données. Il peut également être étendu aux données saisonnières, conduisant à un modèle ARIMA saisonnier (SARIMA).