診斷
你現在進入模型診斷階段。到目前為止，你已經確認原始時間序列是定態的，但可能有 1 個離群點。你用 ACF 和 PACF 找出了有潛力的模型階數，並透過訓練多個模型、比較 AIC 與 BIC 來驗證這些洞見。
你發現 ARMA(1,2) 模型最適合這份資料。接下來，在把它投入正式使用前，你想先檢查它的預測表現。
時間序列 savings 已載入，ARIMA 類別也已匯入到你的環境中。
本練習屬於課程
Python 中的 ARIMA 模型
練習說明
- 以常數趨勢重新在此時間序列上訓練 ARMA(1,2) 模型。
- 建立 4 個標準診斷圖。
- 印出模型殘差的摘要統計。
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 = ____
results = ____
# Create the 4 diagostics plots
____
plt.show()
# Print summary
____