AIC と BIC で次数を選ぶ

多くのモデル次数を探索したので、ここでは結果を評価して最適なモデル次数を見つけます。

前の演習で作成した (p, q, AIC 値, BIC 値) のタプルのリスト order_aic_bic が、作業環境に用意されています。pandas は pd という別名でインポート済みです。

この演習はコースの一部です

Pythonで学ぶARIMAモデル

コースを見る

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。

# Construct DataFrame from order_aic_bic
order_df = pd.DataFrame(____, 
                        columns=[____])

# Print order_df in order of increasing AIC
print(____)

# Print order_df in order of increasing BIC
print(____)

コードを編集して実行

この演習はコースの一部です

Pythonで学ぶARIMAモデル

SkillTag.level.advancedSkillTag.label

4.9+

無料でコースを始める

さっそく、時系列の最も重要な性質について学びましょう。ここでは、定常性とは何か、そしてそれが ARMA モデルでなぜ重要かを学びます。目視と標準的な統計検定の両方で定常性を確認する方法も扱います。最後に、ARMA モデルの基本構造を学び、それを使って ARMA データを生成し、ARMA モデルを当てはめます。

Exercise 1: 時系列と定常性のイントロ Exercise 2: 探索 Exercise 3: 学習用・テスト用への分割 Exercise 4: 定常かどうか Exercise 5: 時系列を定常にする Exercise 6: 拡張Dickey–Fuller 検定 Exercise 7: 差分をとる Exercise 8: その他の変換 Exercise 9: AR・MA・ARMAモデル入門 Exercise 10: モデル次数（Model order）Exercise 11: ARMA データの生成 Exercise 12: フィッティングの準備

この章であなたが行うのは、データの「これから」を予測することです。洗練された statsmodels パッケージを使って、ARMA、ARIMA、ARMAX モデルを当てはめる方法を学びます。そのうえで、作成したモデルを用いて、株価という不確実な未来を予測してみましょう！

Exercise 1: 時系列モデルの当てはめ Exercise 2: AR モデルと MA モデルの当てはめ Exercise 3: ARMA モデルを当てはめる Exercise 4: ARMAX モデルの当てはめ Exercise 5: 予測 Exercise 6: 1期先予測を生成する Exercise 7: 1ステップ先予測をプロットする Exercise 8: ダイナミック予測の生成 Exercise 9: 動的予測をプロットする Exercise 10: ARIMAモデル入門 Exercise 11: 差分化と ARMA の当てはめ Exercise 12: ARMA 予測のアンローリング Exercise 13: ARIMA モデルをフィットする Exercise 14: ARIMA モデルの選択

この章では、目利きのモデラーになっていきます。データそのものから有望なモデル次数を見極める方法を学び、さらに複数の有望なモデルを学習させた後、その中から最良のモデルを選ぶ方法を学びます。時系列プロジェクトを構造化するための優れたフレームワークについても身につけます。

Exercise 1: ACF と PACF の概要 Exercise 2: AR か MA か Exercise 3: 地震の次数を見極める Exercise 4: AIC と BIC 入門 Exercise 5: モデル次数の探索 Exercise 6: AIC と BIC で次数を選ぶ

現在の演習

Exercise 7: AIC・BIC と ACF・PACF の比較 Exercise 8: モデル診断 Exercise 9: 平均絶対誤差 Exercise 10: 診断用の要約統計量 Exercise 11: 診断プロットを描く Exercise 12: ボックス–ジェンキンス法 Exercise 13: 同定（Identification）Exercise 14: 識別 II Exercise 15: 推定 Exercise 16: 診断

最終章では、季節性 ARIMA モデルを使って、より複雑なデータに当てはめる方法を学びます。まずデータを季節成分と非季節成分に分解し、最後に学んだ ARIMA のツールを総動員して、グローバルな予測チャレンジに取り組みます。

Exercise 1: 季節性のある時系列 Exercise 2: 季節分解 Exercise 3: 季節性のあるACFとPACF Exercise 4: SARIMA モデル Exercise 5: SARIMAモデルを当てはめる Exercise 6: SARIMA次数の選び方 Exercise 7: SARIMA と ARIMA の予測比較 Exercise 8: 自動化と保存 Exercise 9: 自動モデル選択 Exercise 10: モデルの保存と更新 Exercise 11: SARIMA とボックス＝ジェンキンス Exercise 12: 乗法型 vs 加法型の季節性 Exercise 13: SARIMA モデルの診断 Exercise 14: SARIMA 予測 Exercise 15: おめでとうございます！