ARIMA 是一类模型。这些是可用于对一些时间序列数据建模的随机过程。

还有一类模型称为线性高斯状态空间模型，有时只是状态空间模型。这是一个严格意义上的大类（每个 ARIMA 模型都是状态空间模型）。状态空间模型涉及称为状态的未观察到的随机过程的动力学，以及作为状态函数的实际观察的分布。

卡尔曼滤波器是一种算法（不是模型），用于在状态空间模型的上下文中做两件事：

1. 计算过滤分布的序列。这是当前状态的分布，给定到目前为止的所有观察，对于每个时间段。这以不依赖于未来数据的方式为我们提供了对不可观察状态的估计。

2. 计算数据的可能性。这使我们能够执行最大似然估计并拟合模型。

因此，“ARIMA”和“卡尔曼滤波器”是不可比较的，因为它们根本不是同一种对象（模型与算法）。然而，由于卡尔曼滤波器可以应用于任何状态空间模型，包括 ARIMA，因此在软件中通常使用卡尔曼滤波器来拟合 ARIMA 模型。