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.
To ćwiczenie jest częścią kursu
Modele ARIMA w Pythonie
Instrukcje do ćwiczenia
- Ponownie wytrenuj model ARMA(1,2) na szeregu czasowym, ustawiając trend jako stały.
- Utwórz 4 standardowe wykresy diagnostyczne.
- Wyświetl statystyki podsumowujące reszty modelu.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create and fit model
model = ____
results = ____
# Create the 4 diagostics plots
____
plt.show()
# Print summary
____