RR

Stevens在1966年将时间序列分析和模型的概念普及到统计学的理论，最终定义了回归分析与时间序列分析的统一框架，这就是现在熟知的自回归滤波器（ARF）。尽管Stevens的研究受到了众多的朋友的认可，但是这些研究仍然只局限在回归分析的范畴中。

直到1970年，一位叫做George Box的科学家将Stevens的框架进行了改进，增删了一些细节，以满足实际应用需求，整合传统的统计时间序列分析模型，形成了新的统计工具——自回归移动平均（ARMA）模型。
ARMA模型介绍了现实中大量事件的变化具有回归分析根据历史资料进行建模，并且未来的变化受到未来因素（外源性影响）的决定的特点，这极大的拓展了Stevens的ARF框架，而ARF模型则只考虑历史记录的影响。

ARMA模型有效地把传统的统计方法和新的现实模型的思想相结合。它把传统的时间序列分析的框架推向了新的高度，使统计模型能够更好地描述现实中的复杂行为。

ARMA模型的核心思想是要找到反映时间序列正态变化最佳的自回归模型，并使用这个模型去预测时间序列未来的走势。自回归模型（ARMA）是考虑了滞后变量，来预测的一种有效的模型。ARMA模型也就是自回归移动平均模型（ARMA），它混合了统计学习中的自回归（regression）和移动平均（moving average），它是一种用来描述和预测时间序列数据特征的统计分析方法，它能够揭示时间序列数据是怎样影响一个变量的，以及它是如何变化的。ARMA模型是以对时间序列数据进行灵活变换，以达到标准化序列表示为基础的一种有效的时间序列模型，它在分析中更加关注数据系列的变化，而不仅仅是历史数据的假设性质。