SARIMA 與 ARIMA 的預測比較
在這個練習中，你將看到把 SARIMA 模型用在季節性時間序列上，與使用 ARIMA 模型相比，對預測會有什麼影響。
兩個模型——ARIMA(3,1,2) 與 SARIMA(0,1,1)(1,1,1)$_{12}$——已經套用到 Wisconsin 就業時間序列。依據 AIC，這兩個分別是可用的最佳 ARIMA 與最佳 SARIMA 模型。
在練習中，你會用這兩個模型進行 25 個月的動態未來預測，並將這些預測與同一期間的保留資料 wisconsin_test 一起繪圖比較。
已擬合的 ARIMA 結果物件與已擬合的 SARIMA 結果物件，已分別以 arima_results 與 sarima_results 提供在你的環境中。
本練習屬於課程
Python 中的 ARIMA 模型
練習說明
- 建立一個名為
arima_pred的 forecast 物件，使用 ARIMA 模型在訓練資料結束之後預測接下來 25 個步驟。 - 從
arima_pred提取.predicted_mean屬性，指定為arima_mean。 - 針對 SARIMA 模型重複以上兩個步驟。
- 繪製 SARIMA 與 ARIMA 的預測，以及保留資料
wisconsin_test。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Create ARIMA mean forecast
arima_pred = arima_results.____
arima_mean = arima_pred.____
# Create SARIMA mean forecast
sarima_pred = sarima_results.____
sarima_mean = ____
# Plot mean ARIMA and SARIMA predictions and observed
plt.plot(dates, sarima_mean, label='SARIMA')
plt.plot(dates, arima_mean, label='ARIMA')
plt.plot(wisconsin_test, label='observed')
plt.legend()
plt.show()