Model Derecesini Tahmin Et: Bilgi Kriterleri
Bir modelin derecesini belirlemek için başka bir araç da Akaike Bilgi Kriteri (AIC) ve Bayesyen Bilgi Kriteri'ne (BIC) bakmaktır. Bu ölçüler, tahmin edilen parametrelerle uyum iyiliğini hesaplar fakat modeldeki parametre sayısına bir ceza fonksiyonu uygular. Son egzersizdeki AR(2) ile simüle edilen ve simulated_data_2 olarak kaydedilen veriyi alacak ve AR(p) modelinde p'yi 0'dan 6'ya değiştirerek BIC'i hesaplayacaksın.
Bu egzersiz, kursun bir parçasıdır
Python ile Zaman Serisi Analizi
Egzersiz talimatları
- Parametreleri tahmin etmek ve BIC'i hesaplamak için ARIMA modülünü içe aktar.
- Her AR(p) modeli için BIC'i saklayacağımız bir numpy dizisi
BICbaşlat. - p = 0,…,6 için p üzerinde döngü kur.
- Her p için, veriyi derecesi p olan bir AR modeline uydur.
- Her p için,
resnesnesinin.bicözniteliğini (parantez yok) kullanarak BIC değerini kaydet.
- BIC'i p'nin bir fonksiyonu olarak çiz (grafikte p=0'ı atla ve p=1,…,6 için çiz).
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Import the module for estimating an ARIMA model
from statsmodels.tsa.arima.model import ARIMA
# Fit the data to an AR(p) for p = 0,...,6 , and save the BIC
BIC = np.zeros(7)
for p in range(7):
mod = ARIMA(simulated_data_2, order=(___,___,___))
res = mod.fit()
# Save BIC for AR(p)
BIC[p] = res.___
# Plot the BIC as a function of p
plt.plot(range(1,7), BIC[1:7], marker='o')
plt.xlabel('Order of AR Model')
plt.ylabel('Bayesian Information Criterion')
plt.show()