诊断
您现在进入了模型诊断阶段。到目前为止，您发现最初的时间序列是平稳的，但可能有一个异常点。您使用 ACF 和 PACF 确定了有前景的模型阶数，并通过训练大量模型并使用 AIC 和 BIC 进行了验证。
您发现 ARMA(1,2) 模型最适合该数据。现在，在将其投入生产之前，您希望先检查该模型给出的预测。
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
- 在该时间序列上重新训练 ARMA(1,2) 模型，将趋势设为常数。
- 创建 4 个标准诊断图。
- 打印模型残差的汇总统计信息。
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 = ____
results = ____
# Create the 4 diagostics plots
____
plt.show()
# Print summary
____