1. Apprendre
    2. /
  2. Cours
    3. /
  3. Modèles ARIMA en Python
Connected

Exercice

Tracer les diagnostics

Il est important de savoir quand il faut repartir à zéro dans la conception d'un modèle. Dans cet exercice, vous utiliserez 4 graphiques courants pour décider si un modèle convient bien à certaines données.

Voici un rappel de ce que vous devriez voir dans chacun des graphiques pour un modèle qui s'ajuste bien :

Test Bon ajustement
Résidus normalisés Aucun motif évident dans les résidus
Histogramme plus estimation KDE La courbe KDE devrait être très proche de la distribution normale
Q-Q normal La plupart des points de données devraient se situer sur la ligne droite
Correlogramme 95 % des corrélations pour des retards supérieurs à zéro ne devraient pas être significatives

Une série chronologique inconnue df et la classe de modèle ARIMA sont disponibles dans votre environnement.-

Instructions 1/3

undefined XP
    1
    2
    3
  • Ajustez un modèle ARIMA(1,1,1) à la série chronologique df.
  • Créez les 4 graphiques de diagnostic.