IniziaInizia gratis

Previsioni SARIMA vs ARIMA

In questo esercizio vedrai l'effetto di usare un modello SARIMA invece di un modello ARIMA nelle previsioni di serie storiche stagionali.

Sono stati stimati due modelli, un ARIMA(3,1,2) e un SARIMA(0,1,1)(1,1,1)\(_{12}\), sulla serie storica dell'occupazione nel Wisconsin. Secondo l'AIC, questi sono rispettivamente il miglior modello ARIMA e il miglior modello SARIMA disponibili.

Nell'esercizio userai questi due modelli per generare previsioni dinamiche per 25 mesi futuri e traccerai queste predizioni insieme ai dati tenuti da parte per questo periodo, wisconsin_test.

L'oggetto dei risultati ARIMA stimato e l'oggetto dei risultati SARIMA stimato sono disponibili nel tuo ambiente come arima_results e sarima_results.

Questo esercizio fa parte del corso

Modelli ARIMA in Python

Visualizza il corso

Istruzioni dell'esercizio

  • Crea un oggetto forecast, chiamato arima_pred, per il modello ARIMA per prevedere i prossimi 25 passi dopo la fine dei dati di training.
  • Estrai l'attributo .predicted_mean da arima_pred e assegnalo a arima_mean.
  • Ripeti i due passaggi precedenti per il modello SARIMA.
  • Traccia le previsioni SARIMA e ARIMA e i dati tenuti da parte wisconsin_test.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Create ARIMA mean forecast
arima_pred = arima_results.____
arima_mean = arima_pred.____

# Create SARIMA mean forecast
sarima_pred = sarima_results.____
sarima_mean = ____

# Plot mean ARIMA and SARIMA predictions and observed
plt.plot(dates, sarima_mean, label='SARIMA')
plt.plot(dates, arima_mean, label='ARIMA')
plt.plot(wisconsin_test, label='observed')
plt.legend()
plt.show()
Modifica ed esegui il codice