Prévisions avec un modèle MA

Comme pour les modèles AR, vous allez utiliser des modèles MA pour produire des prévisions en et hors échantillon avec la fonction plot_predict() de statsmodels.

Pour la série simulée simulated_data_1 avec \(\small \theta=-0{,}9\), vous tracerez des prévisions en et hors échantillon. Une grande différence entre les prévisions hors échantillon d’un modèle MA(1) et celles d’un modèle AR(1) est que, au-delà d’un pas de temps, les prévisions MA(1) se réduisent simplement à la moyenne de l’échantillon.

Cet exercice fait partie du cours

Analyse des séries temporelles en Python

Afficher le cours

Instructions

Importez la classe ARIMA et la fonction plot_predict
Créez une instance de la classe ARIMA appelée mod en utilisant les données simulées simulated_data_1 et l’ordre (p,d,q) du modèle (ici, pour un MA(1)) : order=(0,0,1)
Ajustez le modèle mod avec la méthode .fit() et enregistrez le résultat dans un objet de résultats nommé res
Tracez les données en échantillon à partir du point 950
Tracez les prévisions hors échantillon et leurs intervalles de confiance avec la fonction plot_predict(), en commençant au point 950 et en terminant la prévision au point 1010

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Import the ARIMA and plot_predict from statsmodels
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.graphics.tsaplots import plot_predict

# Forecast the first MA(1) model
mod = ARIMA(___, order=___)
res = mod.fit()

# Plot the data and the forecast
fig, ax = plt.subplots()
simulated_data_1.loc[950:].plot(ax=ax)
plot_predict(res, start=___, end=___, ax=ax)
plt.show()

Modifier et exécuter le code