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模型的基本原理

模型的基本形式(1.自回归模型（AR：Auto-regressive） 2.移动平均模型（MA：Moving-Average） 3.混合模型（ARMA）)

ARMA模型的基本原理

将预测指标随时间推移而形成的数据序列看作是一个随机序列，这组随机变量所具有的依存关系体现着原始数据在时间上的延续性。一方面，影响因素的影响，另一方面，又有自身变动规律，假定影响因素为x1，x2，…，xk，由回归分析，

其中Y是预测对象的观测值， e为误差。作为预测对象Yt受到自身变化的影响，其规律可由下式体现，

误差项在不同时期具有依存关系，由下式表示，

由此，获得ARMA模型表达式：

模型的基本形式

ARMA模型分为以下三种：

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：

以及 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）

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