什么是ARMA模型概述？

ARMA 模型（Auto-Regressive and Moving Average Model）是研究时间序列的重要方法，由自回归模型（简称AR模型）与滑动平均模型（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。 [编辑] ARMA模型三种基本形式 1自回归模型（AR：Auto-regressive）； 如果时间序列yt满足 其中εt是独立同分布的随机变量序列，且满足： E(εt) = 0 则称时间序列为yt服从p阶的自回归模型。 自回归模型的平稳条件： 滞后算子多项式的根均在单位圆外，即φ(B) = 0的根大于1。 2移动平均模型（MA：Moving-Average） 如果时间序列yt满足 则称时间序列为yt服从p阶移动平均模型； 移动平均模型平稳条件：任何条件下都平稳。 3混合模型（ARMA：Auto-regressive Moving-Average） 如果时间序列yt满足： 则称时间序列为yt服从(p,q)阶自回归滑动平均混合模型。或者记为φ(B)yt = θ(B)εt

ARMA 模型（Auto-Regressive and Moving Average Model）是研究时间序列的重要方法，由自回归模型（简称AR模型）与滑动平均模型（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。 ARMA模型三种基本形式 1自回归模型（AR：Auto-regressive）； 如果时间序列yt满足 其中εt是独立同分布的随机变量序列，且满足： E(εt) = 0 则称时间序列为yt服从p阶的自回归模型。 自回归模型的平稳条件： 滞后算子多项式的根均在单位圆外，即φ(B) = 0的根大于1。 2移动平均模型（MA：Moving-Average） 如果时间序列yt满足 则称时间序列为yt服从p阶移动平均模型； 移动平均模型平稳条件：任何条件下都平稳。 3混合模型（ARMA：Auto-regressive Moving-Average） 如果时间序列yt满足： 则称时间序列为yt服从(p,q)阶自回归滑动平均混合模型。或者记为φ(B)yt = θ(B)εt

转自雪v歌的回答：一般根据AIC和SC取值最小准则来确定阶数。如果AIC和SC并不是同时取值最小，采用LR检验进行取舍。如果时序数据样本容量小，这时AIC和SC准则可能需要谨慎，还是需要根据经验验证。自己的经验看，这时一般比较滞后1、2、3阶基本可以得到较好结果。另外，还可以通过eviews60软件确定最大滞后阶数， 在var估计结果窗口中点击view/lag structure/lag length criteria 输入滞后阶数，以号最多的阶数确定滞后阶数。AIC 和SIC 都是人为规定的标准
其原理是，当构建模型时，增加自变量的个数会使拟合度增加，但是也会有可能增加无关自变量。人们在减小自变量个数和增加拟合度之间的权衡方法就是AIC和SIC标准。最小的AIC和SIC代表着拟合与自变量个数的最佳权衡。但是因为侧重点，也就是算法不用，往往AIC和SIC所选出的最大滞后不同。

首先要根据实际的输入输出数据，确立ARMA模型的阶数和各阶参数，建立ARMA模型。之后，根据要求设计输入信号，输入ARMA，就可以得到预测结果了。
关键是要建立恰当的ARMA模型，更进一步，要正确处理噪声对建模和预测的影响。

---