LoslegenKostenlos starten

Diagnose

Du bist nun bei der Modelldiagnose angekommen. Bisher hast du herausgefunden, dass die ursprüngliche Zeitreihe stationär war, aber einen Ausreißer enthalten könnte. Du hast mithilfe von ACF und PACF aussichtsreiche Modellordnungen identifiziert und diese Erkenntnisse durch das Trainieren vieler Modelle sowie AIC und BIC bestätigt.

Du hast festgestellt, dass das ARMA(1,2)-Modell die Daten am besten beschreibt, und möchtest nun die Prognosen prüfen, bevor du das Modell in Produktion bringst.

Die Zeitreihe savings wurde geladen und die Klasse ARIMA wurde in deine Umgebung importiert.

Diese Übung ist Teil des Kurses

<Kurs>ARIMA-Modelle in Python</Kurs>
Kurs ansehen

Übungsanweisungen

  • Trainiere das ARMA(1,2)-Modell erneut auf der Zeitreihe und setze den Trend auf konstant.
  • Erstelle die 4 Standard-Diagnoseplots.
  • Gib die Zusammenfassungsstatistiken der Modellresiduen aus.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Create and fit model
model = ____
results = ____

# Create the 4 diagostics plots
____
plt.show()

# Print summary
____
Code bearbeiten und ausführen