Diagnostiek
Je bent aangekomen bij de modeldiagnostiek. Tot nu toe heb je gezien dat de oorspronkelijke tijdreeks stationair was, maar mogelijk één uitschieter bevatte. Je hebt veelbelovende modelordes bepaald met de ACF en PACF en deze inzichten bevestigd door veel modellen te trainen en de AIC en BIC te gebruiken.
Je hebt vastgesteld dat het ARMA(1,2)-model het best bij onze data past en je wilt nu de voorspellingen controleren voordat je het model in productie zou nemen.
De tijdreeks savings is geladen en de klasse ARIMA is in je omgeving geïmporteerd.
Deze oefening maakt deel uit van de cursus
ARIMA-modellen in Python
Oefeninstructies
- Train het ARMA(1,2)-model opnieuw op de tijdreeks en zet de trend op constant.
- Maak de 4 standaard diagnostische plots.
- Print de samenvattende statistieken van de modelresiduen.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Create and fit model
model = ____
results = ____
# Create the 4 diagostics plots
____
plt.show()
# Print summary
____