Prognozy SARIMA vs ARIMA

W tym ćwiczeniu zobaczysz, jaki wpływ na prognozy sezonowych szeregów czasowych ma wybór modelu SARIMA zamiast ARIMA.

Do szeregu czasowego zatrudnienia w Wisconsin dopasowano dwa modele: ARIMA(3,1,2) oraz SARIMA(0,1,1)(1,1,1)\(_{12}\). Były to najlepsze dostępne modele odpowiednio klasy ARIMA i SARIMA według kryterium AIC.

W ćwiczeniu użyjesz tych dwóch modeli, aby wykonać dynamiczną prognozę na 25 miesięcy do przodu, a następnie porównasz te prognozy z danymi testowymi dla tego okresu – wisconsin_test.

Dopasowane obiekty wyników ARIMA i SARIMA są dostępne w twoim środowisku jako arima_results i sarima_results.

To ćwiczenie jest częścią kursu

Modele ARIMA w Pythonie

Instrukcje do ćwiczenia

Utwórz obiekt prognozy o nazwie arima_pred dla modelu ARIMA, prognozując kolejne 25 kroków po końcu danych treningowych.
Wyodrębnij atrybut .predicted_mean z arima_pred i przypisz go do zmiennej arima_mean.
Powtórz powyższe dwa kroki dla modelu SARIMA.
Wykreśl prognozy SARIMA i ARIMA wraz z danymi testowymi wisconsin_test.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Modele ARIMA w Pythonie

SkillTag.level.advancedSkillTag.label

4.9+

Rozpocznij kurs za darmo

Zacznij od razu i poznaj najważniejsze właściwości szeregów czasowych. Dowiesz się, czym jest stacjonarność i dlaczego ma kluczowe znaczenie dla modeli ARMA. Nauczysz się sprawdzać stacjonarność zarówno wzrokowo, jak i za pomocą standardowego testu statystycznego. Na koniec poznasz podstawową strukturę modeli ARMA – i wykorzystasz ją do wygenerowania danych ARMA oraz dopasowania własnego modelu.

Exercise 1: Wprowadzenie do szeregów czasowych i stacjonarności Exercise 2: Eksploracja Exercise 3: Podział na zbiór treningowy i testowy Exercise 4: Czy to jest stacjonarny szereg?Exercise 5: Stacjonaryzacja szeregów czasowych Exercise 6: Rozszerzony test Dickeya-Fullera Exercise 7: Wyznaczanie różnic Exercise 8: Inne przekształcenia Exercise 9: Wprowadzenie do modeli AR, MA i ARMA Exercise 10: Rząd modelu Exercise 11: Generowanie danych ARMA Exercise 12: Wstęp do dopasowywania modeli

W tym rozdziale nauczysz się przewidywać, co kryją w sobie twoje dane. Poznasz elegancki pakiet statsmodels i użyjesz go do dopasowania modeli ARMA, ARIMA i ARMAX. Następnie wykorzystasz swoje modele, aby prognozować niepewną przyszłość cen akcji!

Exercise 1: Dopasowywanie modeli szeregów czasowych Exercise 2: Dopasowywanie modeli AR i MA Exercise 3: Dopasowywanie modelu ARMA Exercise 4: Dopasowywanie modelu ARMAX Exercise 5: Prognozowanie Exercise 6: Generowanie prognoz jednokrokowych Exercise 7: Wizualizacja prognoz jednokrokowych Exercise 8: Generowanie dynamicznych prognoz Exercise 9: Wizualizacja prognoz dynamicznych Exercise 10: Wprowadzenie do modeli ARIMA Exercise 11: Różnicowanie i dopasowywanie modelu ARMA Exercise 12: Odwijanie prognozy ARMA Exercise 13: Dopasowywanie modelu ARIMA Exercise 14: Wybór modelu ARIMA

W tym rozdziale staniesz się wymagającym twórcą modeli. Nauczysz się identyfikować obiecujące rzędy modeli bezpośrednio na podstawie danych, a następnie – po wytrenowaniu najbardziej perspektywicznych modeli – wybierać najlepszy spośród nich. Poznasz też sprawdzone podejście do organizowania projektów z szeregami czasowymi.

Exercise 1: Wprowadzenie do ACF i PACF Exercise 2: AR czy MA Exercise 3: Rząd modelu dla trzęsień ziemi Exercise 4: Wprowadzenie do AIC i BIC Exercise 5: Przeszukiwanie rzędów modelu Exercise 6: Wybór rzędu modelu za pomocą AIC i BIC Exercise 7: AIC i BIC a ACF i PACF Exercise 8: Diagnostyka modelu Exercise 9: Średni błąd bezwzględny Exercise 10: Podsumowanie statystyk diagnostycznych Exercise 11: Wykresy diagnostyczne Exercise 12: Metoda Boxa-Jenkinsa Exercise 13: Identyfikacja Exercise 14: Identyfikacja II Exercise 15: Estymacja Exercise 16: Diagnostyka

W tym ostatnim rozdziale nauczysz się używać sezonowych modeli ARIMA do dopasowywania bardziej złożonych danych. Dowiesz się, jak rozkładać dane na składowe sezonowe i niesezonowe, a następnie wykorzystasz wszystkie swoje narzędzia ARIMA w jednym finalnym globalnym wyzwaniu prognozowania.

Exercise 1: Sezonowe szeregi czasowe Exercise 2: Dekompozycja sezonowa Exercise 3: Sezonowe ACF i PACF Exercise 4: Modele SARIMA Exercise 5: Dopasowywanie modeli SARIMA Exercise 6: Wybór rzędu modelu SARIMA Exercise 7: Prognozy SARIMA vs ARIMA

Bieżące ćwiczenie

Exercise 8: Automatyzacja i zapisywanie Exercise 9: Automatyczny dobór modelu Exercise 10: Zapisywanie i aktualizowanie modeli Exercise 11: SARIMA i Box-Jenkins Exercise 12: Sezonowość multiplikatywna a addytywna Exercise 13: Diagnostyka modelu SARIMA Exercise 14: Prognoza SARIMA Exercise 15: Gratulacje!