SARIMA-Ordnung wählen
In dieser Übung findest du die passende Modellordnung für einen neuen Satz von Zeitreihen. Es handelt sich um monatliche Daten zur Zahl der Erwerbstätigen in Australien (in Tausend). Die saisonale Periode dieser Zeitreihe beträgt 12 Monate.
Du erstellst nicht-saisonale und saisonale ACF- und PACF-Plots und nutzt die folgende Tabelle, um die geeigneten Modellordnungen zu wählen.
| AR(p) | MA(q) | ARMA(p,q) | |
|---|---|---|---|
| ACF | Flacht ab | Schneidet nach Lag q ab | Flacht ab |
| PACF | Schneidet nach Lag p ab | Flacht ab | Flacht ab |
Der DataFrame aus_employment sowie die Funktionen plot_acf() und plot_pacf() stehen dir in deiner Arbeitsumgebung zur Verfügung.
Beachte, dass du mehrfach differenzieren kannst, z. B. mit df.diff(n1).diff(n2).
Diese Übung ist Teil des Kurses
<Kurs>ARIMA-Modelle in Python</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Take the first and seasonal differences and drop NaNs
aus_employment_diff = ____