繪製診斷圖
在設計模型時，知道何時該「回到繪圖板」重新思考很重要。這個練習中，你會用 4 種常見的圖來判斷某個模型是否適合資料。
以下整理了當模型擬合良好時，你在各圖中應該看到的情況：
| 測試 | 良好擬合的表現 |
|---|---|
| 標準化殘差 | 殘差中不應出現明顯的模式 |
| 直方圖與 KDE 估計 | KDE 曲線應與常態分佈非常相似 |
| 常態 Q-Q | 大多數資料點應落在那條直線上 |
| 相關圖（Correlogram） | 大於 0 的延遲所對應的相關係數，有 95% 不應顯著 |
環境中已為你提供未知的時間序列 df 與 ARIMA 模型類別。
本練習屬於課程
Python 中的 ARIMA 模型
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 and fit model
model = ARIMA(df, order=(____))
results = model.fit()
# Create the 4 diagnostics plots
____
plt.show()