SARIMA- versus ARIMA-voorspellingen
In deze oefening zie je wat het effect is van een SARIMA-model in plaats van een ARIMA-model op je voorspellingen van seizoensgebonden tijdreeksen.
Twee modellen, een ARIMA(3,1,2) en een SARIMA(0,1,1)(1,1,1)\(_{12}\), zijn gefit op de werkgelegenheidstijdreeks van Wisconsin. Dit waren volgens de AIC het beste ARIMA-model en het beste SARIMA-model.
In de oefening gebruik je deze twee modellen om dynamische voorspellingen voor 25 maanden vooruit te maken en deze voorspellingen te plotten naast de apart gehouden data voor deze periode, wisconsin_test.
Het gefitte ARIMA-resultatenobject en het SARIMA-resultatenobject zijn beschikbaar in je omgeving als arima_results en sarima_results.
Deze oefening maakt deel uit van de cursus
ARIMA-modellen in Python
Oefeninstructies
- Maak een forecast-object,
arima_pred, voor het ARIMA-model om de volgende 25 stappen na het einde van de trainingsdata te voorspellen. - Haal het attribuut
.predicted_meanuitarima_preden wijs dit toe aanarima_mean. - Herhaal bovenstaande twee stappen voor het SARIMA-model.
- Plot de SARIMA- en ARIMA-voorspellingen en de apart gehouden data
wisconsin_test.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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()