Box-Jenkins方法

Box-Jenkins方法 (Box-Jenkins Methodology)

Box-Jenkins方法是由统计学家 George E. P. Box 和 Gwilym M. Jenkins 于 1970 年代提出的一套时间序列分析系统建模框架，以ARIMA模型族为核心工具，涵盖模型识别、参数估计、诊断检验和预测的完整迭代流程，在经济学、金融学和工业控制中有广泛应用。

核心模型：ARIMA(p, d, q)

ARIMA(p, d, q) 模型由三部分构成：

• AR(p) — 自回归： 当前值由其 $p$ 个过去值线性表示，$y_t = \phi_1 y_{t-1} + \cdots + \phi_p y_{t-p} + \varepsilon_t$。
• I(d) — 差分整合： $d$ 阶差分使序列达到平稳性，消除趋势成分。
• MA(q) — 移动平均： 当前值由当前和过去的随机冲击加权和表示，$y_t = \varepsilon_t + \theta_1 \varepsilon_{t-1} + \cdots + \theta_q \varepsilon_{t-q}$。

完整形式：$\phi(B)(1 - B)^d y_t = \theta(B)\varepsilon_t$，其中 $B$ 为滞后算子，$\varepsilon_t \sim \text{WN}(0, \sigma^2)$ 为白噪声。季节扩展为 $\text{SARIMA}(p,d,q)(P,D,Q)_s$。

三阶段迭代流程

一、识别 (Identification)

• 自相关函数 (ACF)： 若缓慢衰减，提示需差分以达平稳。
• 偏自相关函数 (PACF)： 纯 AR(p) 的 PACF 在滞后 $p$ 截尾；纯 MA(q) 的 ACF 在滞后 $q$ 截尾；两者均拖尾则为 ARMA。
• 单位根检验： ADF检验或KPSS检验确定 $d$。

二、估计 (Estimation)

采用极大似然估计 (MLE) 或条件最小二乘法估计 $\phi_i$、$\theta_j$ 及 $\sigma^2$。MLE 假设正态白噪声，输出标准误用于显著性检验。

三、诊断 (Diagnostic Checking)

• Ljung-Box $Q$ 检验：残差若显著自相关则模型不充分，须返回重识别。
• 信息准则： AIC（侧重预测）和 BIC（侧重简约）选择最优模型。
• 残差诊断： 检查正态性与同方差，必要时转用 ARCH/GARCH。

预测与特性

通过的模型用于向前多步预测：短期预测精度高，随步长增大预测区间收敛至无条件方差。预测分布基于正态假设或 Bootstrap 方法构建。

优势： 迭代框架系统化，减少建模随意性；理论基础深厚，预测误差性质易于推导，便于量化不确定性；短期预测精度高，常作为更复杂模型的基准参照。

局限： 本质为线性模型，无法捕捉非线性依赖、结构突变或体制转换；对异常值、缺失值和测量误差敏感；识别阶段依赖分析者经验，非完全自动化。

扩展与关联

Box-Jenkins 方法奠定了现代时间序列分析的方法论基础。其直接扩展包括：引入外生变量的 ARIMAX、处理季节性的 SARIMA、面向多变量的 VAR 和 VARMA。处理条件异方差可扩展至 ARCH/GARCH 族，非线性替代方案包括 TAR（门限自回归）和 马尔可夫转换模型。在深度学习时代，LSTM 等神经网络模型在非线性预测上展现优势，但 Box-Jenkins 的"识别—估计—诊断"三阶段范式始终是所有时间序列建模方法不可逾越的经典框架。

记忆口诀： ACF 看差分，PACF 定阶数；估计靠 MLE，诊断用 Ljung-Box；AIC/BIC 选最优，通过模型做预测。