Interpolasi: Waktu di Antara

Dalam latihan ini, Anda akan membangun model linear dengan menyesuaikan data deret waktu bulanan untuk Dow Jones Industrial Average (DJIA), lalu menggunakan model tersebut untuk membuat prediksi pada data harian (secara efektif, sebuah interpolasi). Setelah itu, Anda akan membandingkan prediksi harian tersebut dengan data DJIA harian yang sesungguhnya.

Beberapa catatan tentang data. "OHLC" adalah singkatan dari "Open-High-Low-Close", yang biasanya berupa data harian, misalnya harga pembukaan dan penutupan, serta harga tertinggi dan terendah, untuk suatu saham pada hari tertentu. "DayCount" adalah jumlah hari dalam bilangan bulat sejak awal pengumpulan data.

Latihan ini adalah bagian dari kursus

Pengantar Pemodelan Linear di Python

Lihat Kursus

Petunjuk latihan

Gunakan ols() untuk .fit() model pada data=df_monthly dengan formula="Close ~ DayCount".
Gunakan model_fit.predict() pada df_monthly.DayCount dan df_daily.DayCount untuk memprediksi nilai harga Close bulanan dan harian, lalu simpan sebagai kolom baru Model di masing-masing DataFrame.
Gunakan fungsi plot_model_with_data yang telah disediakan sebanyak dua kali, masing-masing pada df_monthly dan df_daily, lalu bandingkan nilai RSS yang ditampilkan.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# build and fit a model to the df_monthly data
model_fit = ols('Close ~ DayCount', ____=df_monthly).____()

# Use the model FIT to the MONTHLY data to make a predictions for both monthly and daily data
df_monthly['Model'] = model_fit.____(df_monthly.____)
df_daily['Model'] = model_fit.____(df_daily.____)

# Plot the monthly and daily data and model, compare the RSS values seen on the figures
fig_monthly = plot_model_with_data(____)
fig_daily = plot_model_with_data(____)

Edit dan Jalankan Kode