Diagnostické grafy
Je důležité vědět, kdy se musíš vrátit k návrhu modelu od začátku. V tomto cvičení využiješ 4 běžné grafy k tomu, abys posoudil/a, zda model dobře odpovídá datům.
Tady je přehled toho, co bys v každém z grafů chtěl/a vidět u dobře přizpůsobeného modelu:
| Test | Dobrý fit |
|---|---|
| Standardizované reziduum | V reziduích nejsou žádné zjevné vzory |
| Histogram s odhadem KDE | Křivka KDE by měla být velmi podobná normálnímu rozdělení |
| Normal Q-Q | Většina datových bodů by měla ležet na přímce |
| Correlogram | 95 % korelací pro lag větší než nula by nemělo být statisticky významných |
V prostředí máš k dispozici neznámou časovou řadu df a třídu modelu ARIMA.-
Toto cvičení je součástí kurzu
ARIMA modely v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Create and fit model
model = ARIMA(df, order=(____))
results = model.fit()
# Create the 4 diagnostics plots
____
plt.show()