MA मॉडल के साथ फोरकास्टिंग
जैसा आपने AR मॉडलों के साथ किया था, आप statsmodels में plot_predict() फंक्शन का उपयोग करके MA मॉडलों से इन-सैंपल और आउट-ऑफ-सैंपल डेटा का फोरकास्ट करेंगे.
सिम्युलेटेड सीरीज़ simulated_data_1 के लिए जहाँ \(\small \theta=-0.9\), आप इन-सैंपल और आउट-ऑफ-सैंपल फोरकास्ट्स प्लॉट करेंगे। MA(1) मॉडल और AR(1) मॉडल के आउट-ऑफ-सैंपल फोरकास्ट्स के बीच जो एक बड़ा फर्क आप देखेंगे, वह यह है कि MA(1) में एक से अधिक पीरियड आगे के फोरकास्ट्स बस सैंपल के मीन के बराबर होते हैं.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Time Series Analysis
अभ्यास निर्देश
- क्लास
ARIMAइम्पोर्ट करें और साथ ही फंक्शनplot_predictभी इम्पोर्ट करें ARIMAक्लास का एक इंस्टेंसmodनाम से बनाएँ, जिसमें सिम्युलेटेड डेटाsimulated_data_1और मॉडल का (p,d,q) ऑर्डर (इस केस में, MA(1) के लिए)order=(0,0,1)हो- मॉडल
modको.fit()मेथड से फिट करें और इसेresनाम के रिजल्ट्स ऑब्जेक्ट में सेव करें - इन-सैंपल डेटा को डेटा पॉइंट 950 से शुरू करते हुए प्लॉट करें
plot_predict()फंक्शन का उपयोग करके आउट-ऑफ-सैंपल फोरकास्ट्स और कॉन्फिडेंस इंटरवल्स प्लॉट करें, डेटा पॉइंट 950 से शुरू करें और फोरकास्ट को पॉइंट 1010 पर समाप्त करें
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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()