เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

AIC และ BIC เทียบกับ ACF และ PACF

ในแบบฝึกหัดนี้ จะนำการค้นหา order ด้วย AIC-BIC มาใช้กับอนุกรมเวลาข้อมูลแผ่นดินไหว ในบทเรียนที่ผ่านมาได้สรุปว่าชุดข้อมูลนี้มีลักษณะคล้ายกระบวนการ AR(1) จากนั้นจะทำ grid search บนพารามิเตอร์ต่างๆ เพื่อตรวจสอบว่าได้ผลลัพธ์เดิมหรือไม่ กราฟ ACF และ PACF ของชุดข้อมูลนี้แสดงอยู่ด้านล่าง

<\center>

คลาสโมเดล ARIMA และ DataFrame earthquake ของอนุกรมเวลาพร้อมใช้งานในสภาพแวดล้อมแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

ARIMA Models ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • วนลูป order ของ p และ q ตั้งแต่ 0 ถึง 2
  • ภายในลูป ใช้ try เพื่อฟิตโมเดล ARMA(p,q) กับ earthquake ในแต่ละรอบ
  • พิมพ์ค่า p และ q พร้อมกับ AIC และ BIC ในแต่ละรอบ
  • หากการฟิตโมเดลล้มเหลว ให้พิมพ์ p, q, None, None

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Loop over p values from 0-2
for p in ____:
    # Loop over q values from 0-2
    for q in ____:
      
        try:
            # create and fit ARMA(p,q) model
            model = ____
            results = model.____
            
            # Print order and results
            print(p, q, ____, ____)
            
        except:
            print(p, q, ____, ____)
แก้ไขและรันโค้ด