1. Nauka
    2. /
  2. Kursy
    3. /
  3. Modele ARIMA w Pythonie
Connected

ćwiczenie

Diagnostyka

Czas na etap diagnostyki modelu. Do tej pory ustaliłeś, że wyjściowy szereg czasowy był stacjonarny, choć mógł zawierać jeden punkt odstający. Obiecujące rzędy modelu zidentyfikowałeś na podstawie ACF i PACF, a następnie potwierdziłeś te wnioski, trenując wiele modeli i korzystając z kryteriów AIC i BIC.

Okazało się, że model ARMA(1,2) najlepiej dopasowuje się do danych – teraz chcesz sprawdzić jego prognozy, zanim wdrożysz go na produkcję.

Szeregiem czasowym savings jest już wczytany, a klasa ARIMA jest zaimportowana do środowiska.

Instrukcje

100 XP
  • Ponownie wytrenuj model ARMA(1,2) na szeregu czasowym, ustawiając trend jako stały.
  • Utwórz 4 standardowe wykresy diagnostyczne.
  • Wyświetl statystyki podsumowujące reszty modelu.