Kom igångKom igång gratis

Introduktion till modellskattning

Bra, du förstår modellordning! Det är viktigt att förstå ordningen när du ska skatta modeller. Oavsett vilka data du arbetar med behöver du alltid välja ordningen på den modell du anpassar.

I den här övningen gör du en grundläggande modellskattning. Att skatta modeller är nästa viktiga steg mot att göra prognoser. Vi går djupare in på detta i nästa kapitel, men låt oss ta ett försprång redan nu.

Exempeldata från en ARMA(1,1)-process har skapats och finns tillgängliga i din miljö som y. Dessa data kan representera graden av trafikträngsel. Prognoser baserade på dem kan användas för att föreslå effektiva rutter för förare.

Den här övningen är en del av kursen

ARIMA-modeller i Python

Visa kurs

Övningsinstruktioner

  • Importera modellklassen ARIMA från submodulen statsmodels.tsa.arima.model.
  • Skapa ett modellobjekt och skicka in tidsserien y och modellordningen (1,0,1). Tilldela detta till variabeln model.
  • Använd modellens .fit()-metod för att anpassa modellen till datan.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import the ARIMA model
from ____ import ____

# Instantiate the model
model = ____(____, order=____)

# Fit the model
results = ____
Redigera och kör kod