ARMA模型 （英語：A utor egressive m oving a verage model自我迴歸滑動平均模型 ）。是研究時間序列 的重要方法，由自迴歸模型 （簡稱AR模型）與移動平均模型 （簡稱MA模型）為基礎「混合」構成。在市場研究中常用於長期追蹤資料的研究，如：Panel研究 中，用於消費行為模式變遷研究；在零售研究中，用於具有季節變動特徵的銷售量、市場規模的預測等。
X
t
=
c
+
∑
i
=
1
p
φ
i
X
t
−
i
+
ε
t
.
{\displaystyle X_{t}=c+\sum _{i=1}^{p}\varphi _{i}X_{t-i}+\varepsilon _{t}.\,}
自我迴歸模型描述的是當前值與歷史值之間的關係。
其中：
c
{\displaystyle c}
常數 項；
ε
t
{\displaystyle \varepsilon _{t}}
平均數 等於0，標準差 等於
σ
{\displaystyle \sigma }
隨機 誤差值；
ε
t
{\displaystyle \varepsilon _{t}}
t
{\displaystyle t}
X
t
=
μ
+
ε
t
+
∑
i
=
1
q
θ
i
ε
t
−
i
{\displaystyle X_{t}=\mu +\varepsilon _{t}+\sum _{i=1}^{q}\theta _{i}\varepsilon _{t-i}\,}
移動平均模型描述的是自我迴歸部分的誤差累計。
其中 μ 是序列的均值，θ 1 ,..., θ q ε t ε t -1ε t −q白噪聲 。 ARMA(p ,q )模型中包含了p 個自我迴歸項和q 個移動平均項，ARMA(p ,q )模型可以表示為：
X
t
=
c
+
ε
t
+
∑
i
=
1
p
φ
i
X
t
−
i
+
∑
j
=
1
q
θ
j
ε
t
−
j
{\displaystyle X_{t}=c+\varepsilon _{t}+\sum _{i=1}^{p}\varphi _{i}X_{t-i}+\sum _{j=1}^{q}\theta _{j}\varepsilon _{t-j}\ }
有時ARMA模型可以用滯後算子（Lag operator）
L
{\displaystyle L}
L
i
X
t
=
X
t
−
i
{\displaystyle L^{i}X_{t}=X_{t-i}}
p )模型可以寫成為：
ε
t
=
(
1
−
∑
i
=
1
p
φ
i
L
i
)
X
t
=
φ
(
L
)
X
t
{\displaystyle \varepsilon _{t}=\left(1-\sum _{i=1}^{p}\varphi _{i}L^{i}\right)X_{t}=\varphi (L)X_{t}\,}
其中
φ
{\displaystyle \varphi }
多項式
φ
(
L
)
=
1
−
∑
i
=
1
p
φ
i
L
i
{\displaystyle \varphi (L)=1-\sum _{i=1}^{p}\varphi _{i}L^{i}\,}
MA(q )模型可以寫成為：
X
t
=
(
1
+
∑
i
=
1
q
θ
i
L
i
)
ε
t
=
θ
(
L
)
ε
t
{\displaystyle X_{t}=\left(1+\sum _{i=1}^{q}\theta _{i}L^{i}\right)\varepsilon _{t}=\theta (L)\varepsilon _{t}\,}
其中θ 表示多項式
θ
(
L
)
=
1
+
∑
i
=
1
q
θ
i
L
i
{\displaystyle \theta (L)=1+\sum _{i=1}^{q}\theta _{i}L^{i}\,}
最後，ARMA(p ,q )模型可以表示為：
(
1
−
∑
i
=
1
p
φ
i
L
i
)
X
t
=
(
1
+
∑
i
=
1
q
θ
i
L
i
)
ε
t
{\displaystyle \left(1-\sum _{i=1}^{p}\varphi _{i}L^{i}\right)X_{t}=\left(1+\sum _{i=1}^{q}\theta _{i}L^{i}\right)\varepsilon _{t}\,}
或者
φ
(
L
)
X
t
=
θ
(
L
)
ε
t
.
{\displaystyle \varphi (L)X_{t}=\theta (L)\varepsilon _{t}.\,}
若
φ
(
L
)
=
1
{\displaystyle \varphi (L)=1}
θ
(
L
)
=
1
{\displaystyle \theta (L)=1}
