stationary data 에만 적용이 됨

1. stationary 여부 확인

   1. 시계열 데이터의 평균과 분산 plot으로 시각적 확인

      1. autocorrelation function(ACF)을 이용

         x-coor: lag y-coor: autocorrelation lag: 내 현재 데이터와 한 시점 미룬 데이터

   2. autoregressive model(AR)

   3. moving average model(MA)

2. differencing(차분): non-stationary 를 stationary로 만들기
   1. 보통은 1차 차분으로 stationary 가 됨.
   2. 3차 이상의 차분이 필요할 경우, arima모델이 적합하지 않음.

box jenkins arima procedure

1. data preprocessing 이 필요

   1. differencing, transformation

2. 시범적 모델을 찾아놓기

   1. graphical method: making inferences from the patterns of the sample autocorrelation and partial autocorrelation functions of the series

      1. MA(q)
      2. AR(p)
      3. ARMA(p,q)

   Model	ACF	Partial ACF
   MA(q)	Cut off after lag q
   (q시차 이후 뚝 떨어지는 경우)	Die out
   (지수적으로 감소
   or 소멸하는 sin 함수 형태)
   AR(P)	Die out	Cut off after lag p
   (p시차 이후 뚝 떨어짐)
   ARMA(p,q)	Die out
   (시차 (q-p)이후부터 소멸)	Die out

   

3. 파라미터 추정 p, d, q,?

4. 모델 체크, 안괜찮으면 다시 2번 모델로 돌아가기

5. 그 모델로 예측