ARIMA随机与确定性趋势建模异常原因及营销活动影响分析咨询

一、ARIMA建模结果偏离预期的原因 #

1. 随机趋势建模得到ARIMA(0,0,0)而非ARIMA(2,0,0) #

你的年度销售数据仅包含21个观测值，样本量过小会导致统计检验的功效不足——即使理论上数据可能存在AR(2)自相关结构，小样本下自相关系数的估计误差会被放大，模型选择准则（如AIC、BIC）会更偏好结构最简单的白噪声模型（ARIMA(0,0,0)）。此外，若数据的随机趋势成分已经主导了整体波动，残差的自相关性会被趋势掩盖，最终模型退化为仅含常数项的白噪声。

2. 确定性趋势建模得到ARIMA(0,1,0)而非ARIMA(0,1,1) #

一阶差分后选择ARIMA(0,1,0)，说明差分后的序列是白噪声，无显著移动平均效应。核心原因包括：

• 年度数据的波动本身无记忆性，当期的随机冲击不会传递到后续年份；
• 小样本下MA(1)的系数无法通过显著性检验，模型选择准则倾向于更简洁的结构；
• 2010年的营销活动可能打破了原有的数据生成过程，原本的MA结构被冲击干扰，导致差分后无显著自相关。

二、营销活动影响分析的替代技术（除移动平均外） #

• 断点回归设计（RDD）：以2010年为时间断点，将2000-2009年作为“无营销活动”的基准期，2011-2020年作为干预期，拟合断点前后的销售趋势差异，直接量化营销活动的因果效应。这种方法对样本量要求不高，只要能证明断点附近的其他干扰因素（如宏观经济）是连续变化的即可。
• 双重差分法（DID）：找到同行业未开展该营销活动的相似品牌作为对照组，对比你的品牌（处理组）和对照组在2010年前后的销售变化差值，分离出营销活动的净影响。需满足“平行趋势假设”——即活动开展前两组的销售趋势保持一致。
• 结构时间序列模型（STS）：将销售数据拆解为趋势、干预冲击等潜在成分，通过卡尔曼滤波估计各成分的参数。这种模型无需依赖差分，能直接分离趋势和营销活动的脉冲效应，适合小样本时间序列分析。
• 回归分解法：先利用2000-2009年的数据拟合销售趋势模型（可加入GDP、行业指数等控制变量），预测2010-2020年“无营销活动”情况下的销售额，实际销售额与预测值的差值即为营销活动带来的增量。

内容的提问来源于stack exchange，提问作者user18948933