ARIMA
Ein klassisches statistisches Modell für Zeitreihenprognosen, das Autoregression, Differenzierung und gleitende Durchschnitte kombiniert.
ARIMA kombiniert Autoregression, Differenzierung und gleitende Durchschnitte – das klassische Baseline-Modell für Zeitreihenprognosen.
Erklärung
ARIMA(p,d,q): p = AR-Ordnung, d = Differenzierung für Stationarität, q = MA-Ordnung. SARIMA erweitert um saisonale Komponenten.
Relevanz für Marketing
ARIMA bleibt Baseline für jeden Forecasting-Vergleich. Schnell, interpretierbar, gut für univariate Zeitreihen.
Beispiel
ARIMA(1,1,1) prognostiziert monatliche Website-Traffic-Trends nach Entfernung des Aufwärtstrends durch Differenzierung.
Häufige Fallstricke
Nur für univariate, lineare Muster. SARIMA für saisonale Daten nötig. Nicht-lineare Beziehungen nicht erfassbar.
Entstehung & Geschichte
Box & Jenkins formalisierten ARIMA 1970. Jahrzehntelang Industriestandard, durch ML ergänzt aber nie als Baseline ersetzt.
Abgrenzung & Vergleiche
ARIMA vs. Prophet
ARIMA erfordert manuelle Parameter-Wahl; Prophet automatisiert Trend/Saison-Decomposition.
ARIMA vs. LSTM
ARIMA modelliert lineare Zusammenhänge; LSTM kann nicht-lineare Muster lernen, braucht aber mehr Daten.