SARIMA 与 ARIMA 的预测对比
在本练习中，您将比较在季节性时间序列上使用 SARIMA 模型与使用 ARIMA 模型的预测效果。
两个模型——ARIMA(3,1,2) 和 SARIMA(0,1,1)(1,1,1)$_{12}$——已拟合到威斯康星州就业时间序列上。根据 AIC，这分别是可用的最佳 ARIMA 模型和最佳 SARIMA 模型。
在练习中，您将使用这两个模型对未来 25 个月进行动态预测，并将这些预测与该时段的留出数据 wisconsin_test 一起绘图展示。
拟合后的 ARIMA 结果对象与 SARIMA 结果对象已在您的环境中，分别为 arima_results 和 sarima_results。
本练习是课程的一部分
Python 中的 ARIMA 模型
练习说明
- 为 ARIMA 模型创建一个名为
arima_pred的预测对象，用于在训练数据结束后预测接下来的 25 个步长。 - 从
arima_pred中提取预测的.predicted_mean属性，并将其赋值给arima_mean。 - 对 SARIMA 模型重复以上两个步骤。
- 将 SARIMA 与 ARIMA 的预测结果以及留出数据
wisconsin_test一同绘图展示。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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()