Diagnostikplottar
Det är viktigt att veta när du behöver börja om från grunden i modelldesignen. I den här övningen använder du 4 vanliga plottar för att avgöra om en modell passar data väl.
Här är en påminnelse om vad du vill se i varje plott för en modell som passar bra:
| Test | Bra anpassning |
|---|---|
| Standardiserade residualer | Det finns inga uppenbara mönster i residualerna |
| Histogram med KDE-skattning | KDE-kurvan bör likna normalfördelningen nära |
| Normal Q-Q | De flesta datapunkter bör ligga längs den räta linjen |
| Korrelogram | 95 % av korrelationerna för lag större än noll bör inte vara signifikanta |
En okänd tidsserie df och modellklassen ARIMA finns tillgängliga i din miljö.-
Den här övningen är en del av kursen
ARIMA-modeller i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Create and fit model
model = ARIMA(df, order=(____))
results = model.fit()
# Create the 4 diagnostics plots
____
plt.show()