如何在R中使用arima.sim模拟带漂移项的ARIMA(1,1,1)模型

我来帮你解决这个问题——arima.sim本身并没有直接的"漂移项"参数，因为ARIMA(p,d,q)中的漂移本质是差分后序列的常数项，而不是平稳序列的均值。你之前用mean参数的方式不对，因为这个参数只会给平稳的ARMA序列加均值，当d≥1时累加后会完全偏离预期的漂移效果。

下面分两种方法解决，先讲手动构造的精准方法，再讲更简便的工具包方法：

方法一：手动构造带漂移的ARIMA(1,1,1)序列 #

这种方法能让你完全控制漂移项、AR/MA系数，还能精准匹配目标序列的均值和方差。

步骤1：定义所有参数 #

首先明确你的目标和模型参数（AR/MA系数可以根据实际需求调整，这里给个示例值）：

# 目标序列的统计特征
original_mean <- 15881.56
original_sd <- 8726.893
n <- 123

# ARIMA(1,1,1)的核心参数
ar_coef <- 0.6    # AR(1)系数，可根据你的实际模型调整
ma_coef <- -0.4   # MA(1)系数，可调整
sigma <- 69.2863  # 残差项的标准差，和你之前用的一致
drift <- 190      # 漂移项（差分序列的常数项）

步骤2：生成平稳ARMA(1,1)序列 #

arima.sim生成的是零均值的ARMA序列，这是我们差分序列的"波动部分"：

# 生成n-1个值，因为差分序列比原始序列短1个
arma_sim <- arima.sim(
  model = list(order = c(1, 0, 1), ar = ar_coef, ma = ma_coef),
  n = n-1,
  sd = sigma
)

步骤3：添加漂移项得到差分序列 #

漂移项是每一步差分的常数增量，直接加到ARMA序列上：

diff_series <- drift + arma_sim

步骤4：累加得到原始序列并匹配均值 #

通过设置初始值，让最终序列的均值接近目标：

# 计算初始值：确保累加后的序列均值匹配目标
# 累加后的ARMA部分均值为0，所以初始值 = 目标均值 - 漂移项*(n-1)/2
initial_value <- original_mean - drift*(n-1)/2

# 累加差分序列得到原始序列
ts_sim <- c(initial_value, initial_value + cumsum(diff_series))

步骤5：调整方差匹配目标 #

如果生成的序列标准差和目标有差异，做一次缩放：

current_sd <- sd(ts_sim)
scaling_factor <- original_sd / current_sd
ts_sim_scaled <- ts_sim * scaling_factor

# 检查结果
cat("模拟序列均值：", mean(ts_sim_scaled), "\n")
cat("模拟序列标准差：", sd(ts_sim_scaled), "\n")
ts.plot(ts_sim_scaled)

方法二：用forecast包的simulate.Arima（更简便） #

如果你不想手动构造，forecast包提供了支持漂移项的模拟函数，更省心：

library(forecast)

# 先定义一个带漂移的ARIMA模型（用随机数据占位即可）
arima_model <- Arima(
  ts(rnorm(n)), 
  order = c(1,1,1), 
  include.drift = TRUE, 
  drift = drift,
  fixed = c(ar_coef, ma_coef, NA)  # 固定AR/MA系数，drift自动估计或指定
)

# 模拟序列
ts_sim <- simulate(arima_model, nsim = n, seed = 123)

# 同样可以调整初始值和方差来匹配目标特征

关键注意点 #

• 不要用arima.sim的mean参数来设置漂移：这个参数是给平稳ARMA序列加均值，对于ARIMA(1,1,1)，累加后这个均值会被放大n倍，完全不是你要的漂移效果。
• 漂移项是差分序列的常数项：每一步的差分都加上这个常数，体现为原始序列的线性趋势（漂移）。

内容的提问来源于stack exchange，提问作者Timothy Mash