Diagnoseplots
Es ist wichtig zu wissen, wann du bei der Modellgestaltung wieder bei null anfangen solltest. In dieser Übung nutzt du 4 gängige Plots, um zu entscheiden, ob ein Modell gut zu den Daten passt.
Hier eine Erinnerung daran, was du in jedem Plot sehen möchtest, wenn das Modell gut passt:
| Test | Gute Passung |
|---|---|
| Standardisierte Residuen | Es sind keine offensichtlichen Muster in den Residuen erkennbar |
| Histogramm plus KDE-Schätzung | Die KDE-Kurve sollte der Normalverteilung sehr ähnlich sein |
| Normales Q-Q | Die meisten Datenpunkte sollten auf der Geraden liegen |
| Korrelogramm | 95 % der Korrelationen für Lags größer als null sollten nicht signifikant sein |
Eine unbekannte Zeitreihe df und die ARIMA-Modellklasse stehen dir in deiner Umgebung zur Verfügung.-
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.
# Create and fit model
model = ARIMA(df, order=(____))
results = model.fit()
# Create the 4 diagnostics plots
____
plt.show()