เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การวิเคราะห์ Diagnostics

ตอนนี้มาถึงขั้นตอนการตรวจสอบ diagnostics ของโมเดลแล้ว จากที่ผ่านมา พบว่า time series เริ่มต้นมีความ stationary แต่อาจมีจุดข้อมูลที่ผิดปกติอยู่หนึ่งจุด จากนั้นระบุ order ของโมเดลที่มีแนวโน้มดีโดยใช้ ACF และ PACF และยืนยันผลเหล่านี้ด้วยการฝึกโมเดลจำนวนมากแล้วเปรียบเทียบด้วย AIC และ BIC

ผลที่ได้คือโมเดล ARMA(1,2) เหมาะกับข้อมูลมากที่สุด และตอนนี้ต้องการตรวจสอบการพยากรณ์ของโมเดลก่อนนำไปใช้งานจริง

โหลด time series savings และ import คลาส ARIMA ไว้ในสภาพแวดล้อมของคุณเรียบร้อยแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

ARIMA Models ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ฝึกโมเดล ARMA(1,2) บน time series อีกครั้ง โดยกำหนดค่า trend เป็น constant
  • สร้างกราฟ diagnostics มาตรฐานทั้ง 4 แบบ
  • แสดงสถิติสรุปค่าคงเหลือของโมเดล

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Create and fit model
model = ____
results = ____

# Create the 4 diagostics plots
____
plt.show()

# Print summary
____
แก้ไขและรันโค้ด