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

ćwiczenie

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.

Instrukcje

100 XP
  • Zaimportuj klasę ARIMA oraz funkcję plot_predict
  • Utwórz instancję klasy ARIMA o nazwie mod, używając danych symulowanych simulated_data_1 i rzędu modelu (p,d,q) (w tym przypadku dla modelu MA(1)): order=(0,0,1)
  • Dopasuj model mod za pomocą metody .fit() i zapisz wynik w obiekcie res
  • 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