Exploração

Você pode até criar gráficos com frequência, mas, neste curso, é fundamental controlar explicitamente em qual eixo cada série temporal é plotada. Isso será importante para avaliar suas previsões de séries temporais depois.

Aqui, sua tarefa é plotar um conjunto de dados de produção mensal de doces nos EUA entre 1972 e 2018.

Especificamente, você vai plotar o índice de produção industrial IPG3113N. Ele representa a quantidade total de produtos de açúcar e confeitaria produzidos nos EUA por mês, como porcentagem da produção de janeiro de 2012. Então, 120 significa 120% da produção industrial de janeiro de 2012.

Veja como essa quantidade mudou ao longo do tempo e como varia ao longo do ano.

Este exercício faz parte do curso

Modelos ARIMA em Python

Instruções do exercício

Importe matplotlib.pyplot com o alias plt e importe pandas com o alias pd.
Carregue a série temporal de produção de doces 'candy_production.csv' usando pandas, defina o índice como a coluna 'date', faça o parsing das datas e atribua à variável candy.
Plote a série temporal no eixo ax1 usando o método .plot() do DataFrame. Em seguida, exiba o gráfico.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Import modules
import ____ as ____
import ____ as ____

# Load in the time series
candy = pd.____('candy_production.csv', 
            ____='____',
            ____=____)

# Plot and show the time series on axis ax1
fig, ax1 = plt.subplots()
____.____(ax=____)
____

Editar e executar o código

Este exercício faz parte do curso

Modelos ARIMA em Python

AvançadoNível de habilidade

4.9+

Iniciar curso de graça

Mergulhe de cabeça e conheça as propriedades mais importantes de séries temporais. Você vai aprender sobre estacionariedade e por que isso é importante para modelos ARMA. Vai aprender a testar estacionariedade visualmente e com um teste estatístico padrão. Por fim, vai conhecer a estrutura básica dos modelos ARMA e usá-la para gerar alguns dados ARMA e ajustar um modelo ARMA.

Exercise 1: Introdução a séries temporais e estacionaridade Exercise 2: Exploração

Exercício atual

Exercise 3: Divisões de treino e teste Exercise 4: É estacionária?Exercise 5: Tornando séries temporais estacionárias Exercise 6: Dickey-Fuller Aumentado Exercise 7: Calculando a diferença Exercise 8: Outras transformações Exercise 9: Introdução aos modelos AR, MA e ARMA Exercise 10: Ordem do modelo Exercise 11: Gerando dados ARMA Exercise 12: Ajuste: prelúdio

O que vem pela frente neste capítulo é você prevendo o que vem pela frente nos seus dados. Você vai aprender a usar o elegante pacote statsmodels para ajustar modelos ARMA, ARIMA e ARMAX. Depois, vai usar seus modelos para prever o futuro incerto dos preços das ações!

Exercise 1: Ajustando modelos de séries temporais Exercise 2: Ajustando modelos AR e MA Exercise 3: Ajustando um modelo ARMA Exercise 4: Ajustando um modelo ARMAX Exercise 5: Previsão Exercise 6: Gerando previsões de um passo à frente Exercise 7: Plotando previsões de um passo à frente Exercise 8: Gerando previsões dinâmicas Exercise 9: Plotando previsões dinâmicas Exercise 10: Introdução aos modelos ARIMA Exercise 11: Diferenciação e ajuste de ARMA Exercise 12: Desenrolando a previsão ARMA Exercise 13: Ajustando um modelo ARIMA Exercise 14: Escolhendo o modelo ARIMA

Neste capítulo, você vai se tornar um modelador de gosto apurado. Vai aprender a identificar ordens de modelo promissoras a partir dos próprios dados e, depois que os modelos mais promissores forem treinados, vai aprender a escolher o melhor modelo desse conjunto ajustado. Você também vai conhecer um ótimo framework para estruturar seus projetos de séries temporais.

Exercise 1: Introdução a ACF e PACF Exercise 2: AR ou MA Exercise 3: Ordem dos terremotos Exercise 4: Introdução a AIC e BIC Exercise 5: Buscando a ordem do modelo Exercise 6: Escolhendo a ordem com AIC e BIC Exercise 7: AIC e BIC vs ACF e PACF Exercise 8: Diagnóstico do modelo Exercise 9: Erro absoluto médio Exercise 10: Estatísticas de diagnóstico do resumo Exercise 11: Diagnóstico com gráficos Exercise 12: Método de Box-Jenkins Exercise 13: Identificação Exercise 14: Identificação II Exercise 15: Estimativa Exercise 16: Diagnósticos

Neste capítulo final, você vai aprender a usar modelos ARIMA sazonais para ajustar dados mais complexos. Você vai aprender a decompor esses dados em partes sazonais e não sazonais e, em seguida, terá a chance de usar todas as suas ferramentas de ARIMA em um último desafio de previsão global.

Exercise 1: Séries temporais sazonais Exercise 2: Decomposição sazonal Exercise 3: ACF e PACF sazonais Exercise 4: Modelos SARIMA Exercise 5: Ajustando modelos SARIMA Exercise 6: Escolhendo a ordem do SARIMA Exercise 7: Previsões SARIMA vs ARIMA Exercise 8: Automação e salvamento Exercise 9: Seleção automática de modelos Exercise 10: Salvando e atualizando modelos Exercise 11: SARIMA e Box-Jenkins Exercise 12: Sazonalidade multiplicativa vs aditiva Exercise 13: Diagnóstico do modelo SARIMA Exercise 14: Previsão com SARIMA Exercise 15: Parabéns!