绘制诊断图
在设计模型时，知道何时需要"推倒重来"很重要。本练习中，您将使用 4 种常见图形来判断某个模型是否与数据匹配良好。
以下是拟合良好的模型在各个图中的理想表现回顾：
| 检验 | 良好拟合的表现 |
|---|---|
| 标准化残差 | 残差中没有明显的模式 |
| 直方图加 KDE 估计 | KDE 曲线应与正态分布十分接近 |
| 正态 Q-Q 图 | 大多数数据点应落在直线上 |
| 相关图（自相关图） | 对于滞后大于 0 的相关系数，95% 不应显著 |
环境中已为您提供未知时间序列 df 和 ARIMA 模型类。-
本练习是课程的一部分
Python 中的 ARIMA 模型
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 and fit model
model = ARIMA(df, order=(____))
results = model.fit()
# Create the 4 diagnostics plots
____
plt.show()