估计
在上一个练习中，ACF 和 PACF 的结论并不明确。结果表明，您的数据可能符合 ARMA(p,q) 模型，也可能是一个并不完美的 AR(3) 模型。在本练习中，您将遍历若干模型阶数，并根据 AIC 找到最优模型。
时间序列 savings 已加载，ARIMA 类也已导入到您的环境中。
本练习是课程的一部分
Python 中的 ARIMA 模型
练习说明
- 对
p从 0 到 3、q从 0 到 3 的取值进行循环。 - 在循环内，创建一个 ARMA(p,q) 模型。
- 然后将模型拟合到时间序列
savings。 - 在每次循环结束时，打印
p和q的取值，以及 AIC 和 BIC。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Loop over p values from 0-3
for p in ____:
# Loop over q values from 0-3
for q in ____:
try:
# Create and fit ARMA(p,q) model
model = ____(____, order=____)
results = ____
# Print p, q, AIC, BIC
print(____)
except:
print(p, q, None, None)