1. Nauka
    2. /
  2. Kursy
    3. /
  3. Analiza szeregów czasowych w Pythonie
Connected

ćwiczenie

Prognozowanie za pomocą modelu AR

Oprócz estymacji parametrów modelu, którą wykonywałeś w poprzednim ćwiczeniu, możesz również tworzyć prognozy – zarówno wewnątrz próby (in-sample), jak i poza próbą (out-of-sample) – korzystając z biblioteki statsmodels. Prognoza in-sample dotyczy kolejnego punktu danych na podstawie danych do danego momentu, natomiast prognoza out-of-sample obejmuje dowolną liczbę punktów w przyszłości. Prognozowane dane możesz zwizualizować za pomocą funkcji plot_predict(). Wystarczy podać punkt startowy i końcowy prognozy – punkt końcowy może znajdować się dowolnie daleko poza zbiorem danych.

Dla danych symulowanych w ramce danych simulated_data_1, gdzie \(\small \phi=0.9\), narysuj prognozy out-of-sample wraz z przedziałami ufności.

Instrukcje

100 XP
  • Zaimportuj klasę ARIMA oraz funkcję plot_predict
  • Utwórz instancję klasy ARIMA o nazwie mod, korzystając z danych symulowanych w ramce danych simulated_data_1 i rzędu (p,d,q) modelu (w tym przypadku dla AR(1)): order=(1,0,0)
  • Dopasuj model mod metodą .fit() i zapisz wyniki w obiekcie res
  • Narysuj dane in-sample, zaczynając od punktu danych nr 950
  • Narysuj prognozy out-of-sample wraz z przedziałami ufności za pomocą funkcji plot_predict(), zaczynając tam, gdzie kończą się dane – od punktu 1000 – i kończąc prognozę w punkcie 1010