ARMA: факт + прогноз для стационарной динамики ARMA(p,q) полезна, когда в ряду нет выраженного тренда, но есть короткая память по значениям и ошибкам. Логика модели AR часть ( p )
Преобразования, ARIMA/SARIMA/SARIMAX, ETS и базовая интерпретация.
Ключевые темы: arima, sarima, ets, преобразования.
ARMA — это модель временных рядов, объединяющая авторегрессию и скользящее среднее. Авторегрессионная часть выражает текущее значение через линейную зависимость от нескольких предыдущих значений ряда. Часть скользящего среднего связывает текущее значение с прошлыми случайными ошибками, то есть отклонениями прогноза от факта. ARMA применяется к стационарным рядам, у которых нет тренда и сезонности, и служит фундаментом, на котором строятся более общие модели вроде ARIMA.
Где применяется в аналитике: Подходит для уже стационарных или предварительно очищенных от тренда рядов: остатки после декомпозиции, стабилизированные метрики, краткосрочные колебания. Используется для описания внутренней структуры ряда, понимания инерции процесса и как промежуточный шаг при построении прогнозных моделей.
На собеседовании: Проверяют базу: понимание стационарности и различия между авторегрессией и скользящим средним. Обращают внимание на умение объяснить, почему ARMA требует стационарности и как она связана с ARIMA.
В Pro-подписке по этому конспекту получите: