Диагностические графики
Важно понимать, когда нужно вернуться к началу и пересмотреть подход к построению модели. В этом упражнении вы воспользуетесь 4 стандартными графиками, чтобы оценить, насколько хорошо модель описывает данные.
Напомним, что должно наблюдаться на каждом из графиков для хорошо подогнанной модели:
| Тест | Хорошая подгонка |
|---|---|
| Стандартизированные остатки | В остатках отсутствуют явные закономерности |
| Гистограмма с оценкой KDE | Кривая KDE должна быть близка к нормальному распределению |
| Нормальный Q-Q | Большинство точек должны лежать на прямой линии |
| Коррелограмма | 95% корреляций для лагов больше нуля не должны быть значимыми |
В вашем окружении доступны неизвестный временной ряд df и класс модели ARIMA.
Это упражнение является частью курса
Модели ARIMA в Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Create and fit model
model = ARIMA(df, order=(____))
results = model.fit()
# Create the 4 diagnostics plots
____
plt.show()