Voorspellen met een MA-model

Net als bij AR-modellen ga je met MA-modellen zowel in-sample als out-of-sample voorspellen met de functie plot_predict() in statsmodels.

Voor de gesimuleerde reeks simulated_data_1 met \(\small \theta=-0.9\) maak je in-sample en out-of-sample voorspellingen. Een belangrijk verschil dat je ziet tussen out-of-sample voorspellingen met een MA(1)-model en een AR(1)-model is dat de MA(1)-voorspellingen verder dan één periode vooruit simpelweg het gemiddelde van de steekproef zijn.

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 naam mod met de gesimuleerde data simulated_data_1 en de (p,d,q)-orde van het model (in dit geval, voor een MA(1)), order=(0,0,1)
Pas het model mod met de methode .fit() en sla het op in een resultatenobject met de naam res
Plot de in-sample data beginnend bij datapunt 950
Plot de out-of-sample voorspellingen van de data en betrouwbaarheidsintervallen met de functie plot_predict(), beginnend bij datapunt 950 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 MA(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