Voorspellen met een AR-model

Naast het schatten van de parameters van een model, wat je in de vorige oefening hebt gedaan, kun je met statsmodels ook voorspellingen maken: zowel in-sample als out-of-sample. In-sample betekent: de volgende datapunt voorspellen met alle data tot en met dat punt. Out-of-sample betekent: een willekeurig aantal toekomstige datapunten voorspellen. Je kunt de voorspelde data plotten met de functie plot_predict(). Je geeft daarbij het startpunt en eindpunt van de voorspelling op; dat eindpunt mag verder liggen dan het einde van de gegevensset.

Voor de gesimuleerde data in DataFrame simulated_data_1, met \(\small \phi=0.9\), ga je out-of-sample voorspellingen en betrouwbaarheidsintervallen rondom die voorspellingen plotten.

Deze oefening maakt deel uit van de cursus

Tijdreeksanalyse in Python

Cursus bekijken

Oefeninstructies

Importeer de klasse ARIMA en importeer ook de functie plot_predict
Maak een instantie van de klasse ARIMA met de gesimuleerde data in DataFrame simulated_data_1 en de orde (p,d,q) van het model (in dit geval, voor een AR(1)), order=(1,0,0), en noem deze mod
Fit het model mod met de methode .fit() en sla het op in een resultatenobject res
Plot de in-sample data beginnend bij datapunt 950
Plot out-of-sample voorspellingen en betrouwbaarheidsintervallen met de functie plot_predict(), vanaf het einde van de data bij het 1000e punt, en eindig de voorspelling bij punt 1010

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Import the ARIMA and plot_predict from statsmodels
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.graphics.tsaplots import plot_predict

# Forecast the first AR(1) model
mod = ARIMA(___, order=___)
res = mod.fit()

# Plot the data and the forecast
fig, ax = plt.subplots()
simulated_data_1.loc[950:].plot(ax=ax)
plot_predict(res, start=___, end=___, ax=ax)
plt.show()

Code bewerken en uitvoeren