ARMA模型（自回归模型与滑动平均模型混合）
自回归滑动平均模型（ARMA模型）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。
中文名自回归滑动平均模型
Auto-Regressive and Moving Average Model
时间序列研究
自回归模型与滑动平均模型混合
经济计量、工程预测
数学、统计学
定义
ARMA模型(autoregressivemovingaveragemodel)自回归滑动平均模型，模型参量法高分辨率谱分析方法之一。这种方法是研究平稳随机过程有理谱的典型方法，适用于很大一类实际问题。它比AR模型法与MA模型法有较精确的谱估计及较优良的谱分辨率性能，但其参数估算比较繁琐。
ARMA模型参数估计的方法很多：
如果模型的输入序列{u(n)}与输出序列{a(n)}均能被测量时，则可以用最小二乘法估计其模型参数，这种估计是线性估计，模型参数能以足够的精度估计出来；
许多谱估计中，仅能得到模型的输出序列{x(n）}，这时，参数估计是非线性的，难以求得ARMA模型参数的准确估值。从理论上推出了一些ARMA模型参数的最佳估计方法，但它们存在计算量大和不能保证收敛的缺点。因此工程上提出次最佳方法，即分别估计AR和MA参数，而不像最佳参数估计中那样同时估计AR和MA参数，从而使计算量大大减少。
应用
可以用于处理分离正弦信号频率，多应用于机械零件比如齿轮、轴承故障诊断和分析。针对多源信息感知融合技术的研究，对于政府大数据处理领域、建模分析领域以及解决多源异构问题都具有重要意义。 本研究提出一种基于本体和Karma建模的多源异构数据快速集成方法，通过构建领域本体和构建相应的Karma模型，利用语义技术来解决多源异构数据的集成应用问题。 [1]
AR模型
AR模型自回归模型，模型参量法高分辨率谱分析方法之一，也是现代谱估计中常用的模型。
用AR模型法求信具体作法是：
①选择AR模型，在输入是冲激函数或白噪声的情况下，使其输出等于所研究的信号，至少，应是对该信号的一个好的近似。
②利用已知的自相关函数或数据求模型的参数。
③利用求出的模型参数估计该信号的功率谱。
MA模型
MA模型滑动平均模型，模型参量法谱分析方法之一，也是现代谱估中常用的模型。
用MA模型法求信号谱估计的具体作法是：①选择MA模型，在输入是冲激函数或白噪声情况下，使其输出等于所研究的信号，至少应是对该信号一个好的近似。②利用已知的自相关函数或数据求MA模型的参数。③利用求出的模型参数估计该信号的功率谱。
在ARMA参数谱估计中，大多数估计ARMA参数的两步方法都首先估计AR参数，然后在这些AR参数基础上，再估计MA参数，然后可求出ARMA参数的谱估计。所以MA模型参数估计常作为ARMA参数谱估计的过程来计算。
参考资料1. 面向实体的多源信息感知融合与理解技术研究2019年进展报告·中国科学院
