Prognozowanie za pomocą modelu MA
Podobnie jak w przypadku modeli AR, użyjesz modeli MA do prognozowania danych wewnątrz próby i poza próbą, korzystając z funkcji plot_predict() z biblioteki statsmodels.
Dla symulowanej serii simulated_data_1 z parametrem \(\small \theta=-0.9\) wykreślisz prognozy wewnątrz próby i poza próbą. Jedną z istotnych różnic między prognozami poza próbą w modelu MA(1) a modelu AR(1) jest to, że w modelu MA(1) prognozy na więcej niż jeden okres w przód odpowiadają po prostu średniej z próby.
To ćwiczenie jest częścią kursu
Analiza szeregów czasowych w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj klasę
ARIMAoraz funkcjęplot_predict - Utwórz instancję klasy
ARIMAo nazwiemod, używając danych symulowanychsimulated_data_1i rzędu modelu (p,d,q) (w tym przypadku dla modelu MA(1)):order=(0,0,1) - Dopasuj model
modza pomocą metody.fit()i zapisz wynik w obiekcieres - Wykreśl dane wewnątrz próby, zaczynając od punktu danych o indeksie 950
- Wykreśl prognozy poza próbą wraz z przedziałami ufności, używając funkcji
plot_predict(), zaczynając od punktu 950 i kończąc prognozę na punkcie 1010
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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()