Modellordning

När du anpassar och arbetar med AR-, MA- och ARMA-modeller är det mycket viktigt att förstå modellordningen. Du behöver välja modellordning vid anpassningen, och ett korrekt val ger en bättre anpassad modell med bättre förutsägelser. I det här avsnittet får du öva på att arbeta med modellordning.

Den här övningen är en del av kursen

ARIMA-modeller i Python

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

ARIMA-modeller i Python

SkillTag.level.advancedSkillTag.label

4.9+

Starta kursen gratis

Hoppa rakt in och lär dig om de viktigaste egenskaperna hos tidsserier. Du lär dig om stationaritet och varför det är viktigt för ARMA-modeller. Du lär dig att testa för stationaritet visuellt och med ett statistiskt standardtest. Slutligen lär du dig grundstrukturen hos ARMA-modeller och använder den för att generera ARMA-data och anpassa en ARMA-modell.

Exercise 1: Introduktion till tidsserier och stationaritet Exercise 2: Utforskning Exercise 3: Tränings- och testuppdelning Exercise 4: Är det stationärt Exercise 5: Göra tidsserier stationära Exercise 6: Augmented Dicky-Fuller Exercise 7: Ta differensen Exercise 8: Andra transformationer Exercise 9: Introduktion till AR-, MA- och ARMA-modeller Exercise 10: Modellordning

Aktuell övning

Exercise 11: Generera ARMA-data Exercise 12: Introduktion till modellskattning

I det här kapitlet lär du dig att förutsäga det som väntar i dina data. Du lär dig att använda det välstrukturerade paketet statsmodels för att anpassa ARMA-, ARIMA- och ARMAX-modeller. Sedan använder du dina modeller för att göra prognoser för aktiekursernas osäkra framtid!

Exercise 1: Anpassa tidsseriemodeller Exercise 2: Anpassa AR- och MA-modeller Exercise 3: Anpassa en ARMA-modell Exercise 4: Anpassa en ARMAX-modell Exercise 5: Prognoser Exercise 6: Generera ett-stegs-framåt-prediktioner Exercise 7: Plotta ett-stegs-framåt-prediktioner Exercise 8: Generera dynamiska prognoser Exercise 9: Visualisera dynamiska prognoser Exercise 10: Introduktion till ARIMA-modeller Exercise 11: Differentiering och anpassning av ARMA Exercise 12: Återrulla ARMA-prognosen Exercise 13: Anpassa en ARIMA-modell Exercise 14: Välja ARIMA-modell

I det här kapitlet lär du dig att välja modeller med gott omdöme. Du lär dig hur du identifierar lovande modellordningar direkt från data, och när de mest lovande modellerna har tränats lär du dig att välja den bästa modellen ur urvalet. Du lär dig också ett bra ramverk för att strukturera dina tidsserieprojekt.

Exercise 1: Introduktion till ACF och PACF Exercise 2: AR eller MA Exercise 3: Ordningen för jordbävningar Exercise 4: Introduktion till AIC och BIC Exercise 5: Sökning över modellordning Exercise 6: Välj ordning med AIC och BIC Exercise 7: AIC och BIC jämfört med ACF och PACF Exercise 8: Modelldiagnostik Exercise 9: Medelabsolutfel Exercise 10: Sammanfattande diagnostikstatistik Exercise 11: Diagnostikplottar Exercise 12: Box-Jenkins-metoden Exercise 13: Identifiering Exercise 14: Identifiering II Exercise 15: Skattning Exercise 16: Diagnostik

I det här sista kapitlet lär du dig att använda säsongsbaserade ARIMA-modeller för att anpassa mer komplex data. Du lär dig att dela upp data i säsongsbaserade och icke-säsongsbaserade delar, och sedan får du möjlighet att använda alla dina ARIMA-verktyg i en avslutande global prognosutmaning.

Exercise 1: Säsongsbaserade tidsserier Exercise 2: Säsongsdekompositon Exercise 3: Säsongs-ACF och PACF Exercise 4: SARIMA-modeller Exercise 5: Anpassa SARIMA-modeller Exercise 6: Välja SARIMA-ordning Exercise 7: SARIMA vs. ARIMA-prognoser Exercise 8: Automatisering och sparande Exercise 9: Automatiserat modellval Exercise 10: Spara och uppdatera modeller Exercise 11: SARIMA och Box-Jenkins Exercise 12: Multiplikativ kontra additiv säsongsvariation Exercise 13: Modelldiagnostik för SARIMA Exercise 14: SARIMA-prognos Exercise 15: Grattis!