Diagnostische plots
Het is belangrijk om te weten wanneer je bij het ontwerpen van een model weer terug naar de tekentafel moet. In deze oefening gebruik je 4 veelvoorkomende plots om te bepalen of een model goed past bij de data.
Hier is een geheugensteuntje van wat je in elk van de plots wilt zien voor een model dat goed past:
| Test | Goede fit |
|---|---|
| Gestandaardiseerde residuen | Er zijn geen duidelijke patronen in de residuen |
| Histogram plus kde-schatting | De KDE-curve zou sterk moeten lijken op de normale verdeling |
| Normale Q-Q | De meeste datapunten zouden op de rechte lijn moeten liggen |
| Correlogram | 95% van de correlaties voor vertraging groter dan nul zouden niet significant moeten zijn |
Een onbekende tijdreeks df en de ARIMA-modelklasse zijn voor je beschikbaar in je omgeving.-
Deze oefening maakt deel uit van de cursus
ARIMA-modellen in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Create and fit model
model = ARIMA(df, order=(____))
results = model.fit()
# Create the 4 diagnostics plots
____
plt.show()