Previsões SARIMA vs ARIMA

Neste exercício, você vai ver o efeito de usar um modelo SARIMA em vez de um ARIMA nas suas previsões de séries temporais sazonais.

Dois modelos, um ARIMA(3,1,2) e um SARIMA(0,1,1)(1,1,1)\(_{12}\), foram ajustados à série de emprego de Wisconsin. Esses foram o melhor modelo ARIMA e o melhor modelo SARIMA disponíveis de acordo com o AIC.

Neste exercício, você usará esses dois modelos para fazer previsões dinâmicas para 25 meses no futuro e vai plotar essas previsões ao lado dos dados reservados para esse período, wisconsin_test.

O objeto de resultados ajustados do ARIMA e o objeto de resultados ajustados do SARIMA estão disponíveis no seu ambiente como arima_results e sarima_results.

Este exercício faz parte do curso

Modelos ARIMA em Python

Instruções do exercício

Crie um objeto de previsão, chamado arima_pred, para o modelo ARIMA para prever os próximos 25 passos após o fim dos dados de treinamento.
Extraia o atributo .predicted_mean de arima_pred e atribua a arima_mean.
Repita as duas etapas acima para o modelo SARIMA.
Plote as previsões dos modelos SARIMA e ARIMA e os dados reservados wisconsin_test.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Create ARIMA mean forecast
arima_pred = arima_results.____
arima_mean = arima_pred.____

# Create SARIMA mean forecast
sarima_pred = sarima_results.____
sarima_mean = ____

# Plot mean ARIMA and SARIMA predictions and observed
plt.plot(dates, sarima_mean, label='SARIMA')
plt.plot(dates, arima_mean, label='ARIMA')
plt.plot(wisconsin_test, label='observed')
plt.legend()
plt.show()

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 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

Exercício atual

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!