1. Learn
    2. /
  2. Courses
    3. /
  3. Modèles ARIMA en Python
Connected

Exercise

Diagnostics

Vous êtes rendu à l'étape de diagnostic du modèle. Jusqu'ici, vous avez constaté que la série chronologique initiale était stationnaire, mais pouvait contenir une valeur aberrante. Vous avez repéré des ordres de modèle prometteurs à l'aide de l'ACF et de la PACF, puis vous avez confirmé ces intuitions en entraînant plusieurs modèles et en utilisant l'AIC et le BIC.

Vous avez déterminé que le modèle ARMA(1,2) s'ajustait le mieux à nos données et vous souhaitez maintenant examiner ses prédictions avant d'envisager de le déployer en production.

La série savings a été chargée et la classe ARIMA a été importée dans votre environnement.

Instructions

100 XP
  • Réentraînez le modèle ARMA(1,2) sur la série chronologique en fixant la tendance à une constante.
  • Créez les 4 graphiques de diagnostic standard.
  • Affichez les statistiques récapitulatives des résidus du modèle.