診断
ここからはモデル診断の段階です。これまでに、元の時系列は定常だが外れ値が1点あるかもしれないことを確認しました。ACF と PACF を使って有望なモデル次数を特定し、多くのモデルを学習して AIC と BIC で検証しました。
その結果、ARMA(1,2) モデルがデータに最も適合していると分かりました。次は、本番運用に移す前に、そのモデルの予測を入念にチェックします。
時系列 savings は読み込まれており、ARIMA クラスも環境にインポートされています。
この演習はコースの一部です
Pythonで学ぶARIMAモデル
演習の手順
- トレンドを定数に設定して、ARMA(1,2) モデルを時系列に対して再学習します。
- 標準的な4種類の診断プロットを作成します。
- モデル残差の要約統計量を出力します。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# Create and fit model
model = ____
results = ____
# Create the 4 diagostics plots
____
plt.show()
# Print summary
____