Langsung mulai dan pelajari sifat-sifat terpenting dari deret waktu. Anda akan mempelajari stasioneritas dan mengapa hal ini penting untuk model ARMA. Anda akan belajar menguji stasioneritas secara visual dan dengan uji statistik standar. Terakhir, Anda akan mempelajari struktur dasar model ARMA dan menggunakannya untuk menghasilkan beberapa data ARMA serta menyesuaikan sebuah model ARMA.

Pengantar deret waktu dan stasioneritas

Eksplorasi

Pembagian train-test

Apakah stasioner

Membuat deret waktu menjadi stasioner

Dicky-Fuller Tertambah

Mengambil selisih

Transformasi lain

Pengantar model AR, MA, dan ARMA

Orde model

Menghasilkan data ARMA

Pendahuluan Pemasangan Model

Model ARMA

Yang menanti Anda di bab ini adalah memprediksi apa yang akan terjadi pada data Anda. Anda akan mempelajari cara menggunakan paket statsmodels yang elegan untuk menyesuaikan model ARMA, ARIMA, dan ARMAX. Lalu Anda akan menggunakan model Anda untuk meramalkan masa depan harga saham yang penuh ketidakpastian!

Menerapkan model deret waktu

Mencocokkan model AR dan MA

Mengesuaikan model ARMA

Menerapkan model ARMAX

Peramalan

Membuat prediksi satu-langkah-ke-depan

Memplot prediksi satu-langkah-ke-depan

Membuat peramalan dinamis

Memplot peramalan dinamis

Pengantar model ARIMA

Pendiferensian dan pemfittingan ARMA

Membuka gulungan prakiraan ARMA

Memasang model ARIMA

Memilih model ARIMA

Mencocokkan Masa Depan

Di bab ini, Anda akan menjadi pemodel dengan selera yang tajam. Anda akan mempelajari cara mengidentifikasi orde model yang menjanjikan langsung dari data, lalu, setelah model-model paling menjanjikan dilatih, Anda akan mempelajari cara memilih model terbaik dari kumpulan yang telah disesuaikan ini. Anda juga akan mempelajari kerangka kerja yang hebat untuk menyusun proyek deret waktu Anda.

Pengantar ACF dan PACF

AR atau MA

Orde gempa bumi

Pengantar AIC dan BIC

Mencari orde model

Memilih orde dengan AIC dan BIC

AIC dan BIC vs ACF dan PACF

Diagnostik model

Mean absolute error

Statistik ringkasan diagnostik

Plot diagnostik

Metode Box-Jenkins

Identifikasi

Identifikasi II

Estimasi

Diagnostik

Model Terbaik dari yang Terbaik

Di bab terakhir ini, Anda akan belajar menggunakan model ARIMA musiman untuk menyesuaikan data yang lebih kompleks. Anda akan mempelajari cara mendekomposisi data ini menjadi bagian musiman dan nonmusiman, lalu Anda akan berkesempatan memanfaatkan seluruh alat ARIMA Anda dalam satu tantangan peramalan global terakhir.

Deret waktu musiman

Dekomposisi musiman

ACF dan PACF Musiman

Model SARIMA

Mencocokkan model SARIMA

Memilih orde SARIMA

Prakiraan SARIMA vs ARIMA

Otomatisasi dan penyimpanan

Pemilihan model otomatis

Menyimpan dan memperbarui model

SARIMA dan Box-Jenkins

Kemusiman multiplikatif vs aditif

Diagnostik model SARIMA

Peramalan SARIMA

Selamat!

Model ARIMA Musiman

US Monthly Candy Production

Monthly Record of CO2

Amazon Daily Closing Stock Price

Monthly Milk Production

Yearly Earthquakes

Pernahkah Anda mencoba memprediksi masa depan? Apa yang akan terjadi masih menjadi misteri yang biasanya hanya terjawab dengan menunggu. Dalam kursus ini, Anda akan berhenti menunggu dan belajar menggunakan model kelas ARIMA yang kuat untuk memprakirakan masa depan. Anda akan mempelajari cara menggunakan paket statsmodels untuk menganalisis deret waktu, membangun model yang disesuaikan, dan melakukan peramalan dalam ketidakpastian. Bagaimana pergerakan pasar saham dalam 24 jam ke depan? Bagaimana kadar CO2 berubah dalam dekade berikutnya? Berapa banyak gempa bumi tahun depan? Anda akan belajar menyelesaikan semua masalah ini dan lainnya.

Apakah Anda pernah mencoba meramalkan masa depan? Apa yang ada di depan adalah sebuah misteri yang biasanya hanya dapat dipecahkan dengan menunggu. Dalam kursus ini, Anda tidak perlu lagi menunggu dan dapat langsung terjun ke dunia pemodelan deret waktu menggunakan model ARIMA dalam Python untuk meramalkan masa depan.<br><br><h2>Data deret waktu</h2>
Mulailah dengan mempelajari dasar-dasar data deret waktu, termasuk konsep stasioneritas—yang sangat penting untuk bekerja dengan model ARMA. Anda akan belajar cara menguji stasioneritas secara visual dan statistik, menghasilkan data ARMA, dan memodelkan ARMA untuk mendapatkan dasar yang kokoh.<br><br><h2>Paket Statsmodels</h2>
Seiring dengan kemajuan Anda, jelajahi paket Statsmodels yang powerful untuk memodelkan model ARMA, ARIMA, dan ARMAX. Anda akan mendapatkan pengalaman praktis dalam menggunakan model Anda untuk memprediksi nilai-nilai di masa depan, seperti harga saham.<br><br>
Dengan membuat konsep-konsep ini mudah dipahami dan diterapkan, Anda akan dapat membuat prediksi yang lebih akurat, perkiraan dinamis, dan menerapkan model ARIMA langsung pada data Anda.<br><br><h2>Grafik ACF dan PACF</h2>
Salah satu poin pentingnya adalah mempelajari cara memilih model terbaik menggunakan grafik ACF dan PACF untuk mengidentifikasi urutan model yang menjanjikan. Anda akan mempelajari kriteria seperti AIC dan BIC untuk pemilihan model dan diagnostik, yang akan membantu Anda menyempurnakan model Anda hingga sempurna.​.<br><br><h2>Model SARIMA</h2>
Kursus ini diakhiri dengan model ARIMA musiman (SARIMA), yang sangat cocok untuk mengolah data dengan pola musiman. Anda akan belajar untuk memecah data deret waktu menjadi komponen musiman dan non-musiman, serta menerapkan keterampilan ARIMA Anda dalam tantangan peramalan global.
<br><br>Proyek akhir ini mengintegrasikan semua materi, memberikan pemahaman yang komprehensif tentang pemodelan ARIMA.

Peramalan

Create Your Free Account