Předpovědi pomocí MA modelu

Stejně jako u AR modelů využiješ MA modely k předpovědím dat uvnitř vzorku i mimo něj – tentokrát pomocí funkce plot_predict() ze statsmodels.

Pro simulovanou řadu simulated_data_1 s \(\small \theta=-0.9\) vykreslíš předpovědi pro data uvnitř vzorku i mimo něj. Jeden zásadní rozdíl oproti AR(1) modelu: u MA(1) modelu jsou předpovědi více než jedno období dopředu jednoduše průměrem vzorku.

Toto cvičení je součástí kurzu

Analýza časových řad v Pythonu

Zobrazit kurz

Pokyny k cvičení

Importuj třídu ARIMA a funkci plot_predict
Vytvoř instanci třídy ARIMA s názvem mod pomocí simulovaných dat simulated_data_1 a pořadí (p,d,q) modelu (v tomto případě pro MA(1)): order=(0,0,1)
Fituj model mod metodou .fit() a výsledek ulož do objektu res
Vykresli data uvnitř vzorku počínaje datovým bodem 950
Vykresli předpovědi mimo vzorek včetně intervalů spolehlivosti pomocí funkce plot_predict(), začínající datovým bodem 950 a končící předpovědí v bodě 1010

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import the ARIMA and plot_predict from statsmodels
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.graphics.tsaplots import plot_predict

# Forecast the first MA(1) model
mod = ARIMA(___, order=___)
res = mod.fit()

# Plot the data and the forecast
fig, ax = plt.subplots()
simulated_data_1.loc[950:].plot(ax=ax)
plot_predict(res, start=___, end=___, ax=ax)
plt.show()

Upravit a spustit kód