它是由阿拉玛于1970年提出的，因此也被称为阿拉玛模型或阿拉玛-格兰杰模型。阿拉玛规律适用于具有随机性和自相关性的时间序列数据。AR部分是指时间序列的当前值可以通过过去的值来估计，即当前值与之前的一些值有相关性。AR部分使用自回归系数来表示这种相关性。ARMA模型的表示为ARMA(p,q)，其中p表示AR部分的滞后项数，q表示MA部分的滞后误差项数。阿拉玛规律可以用来预测时间序列数据的未来值，帮助分析师和决策者做出合理的预测和决策。
阿拉玛规律（Arma model）是一种统计方法，用于对时间序列数据进行预测和建模。它是由阿拉玛（Box-Jenkins）于1970年提出的，因此也被称为阿拉玛模型或阿拉玛-格兰杰（ARMA-GARCH）模型。
阿拉玛规律适用于具有随机性和自相关性的时间序列数据。它将时间序列数据拆分为两个组成部分：自回归（AR）和移动平均（MA），之后将它们组合在一起形成ARMA模型。
AR部分是指时间序列的当前值可以通过过去的值来估计，即当前值与之前的一些值有相关性。AR部分使用自回归系数来表示这种相关性。具体而言，AR(p)模型使用p个滞后项来估计当前值。
MA部分是指时间序列的当前值可以通过过去的误差项来估计，即当前值与之前的一些误差项有相关性。MA部分使用移动平均系数来表示这种相关性。具体而言，MA(q)模型使用q个滞后误差项来估计当前值。
ARMA模型的表示为ARMA(p,q)，其中p表示AR部分的滞后项数，q表示MA部分的滞后误差项数。
阿拉玛规律可以用来预测时间序列数据的未来值，帮助分析师和决策者做出合理的预测和决策。此外，还可以用来识别时间序列数据中的趋势、周期性、季节性等特征，以及对数据进行平滑、滤波等操作。