Elegir el modelo adecuado

Análisis de series temporales en Python

Rob Reider

Adjunct Professor, NYU-Courant Consultant, Quantopian

Identificar el orden de un modelo AR

El orden de un modelo AR(p) suele ser desconocido
Dos técnicas para determinar el orden
- Función de autocorrelación parcial
- Criterios de información

Función de autocorrelación parcial (PACF)

Trazar la PACF en Python

Igual que ACF, pero usa plot_pacf en lugar de plt_acf

Importa el módulo

from statsmodels.graphics.tsaplots import plot_pacf

Traza la PACF
```
plot_pacf(x, lags= 20, alpha=0.05)
```

Comparación de PACF para distintos modelos AR

AR(1)
AR(3)

AR(2)
Ruido blanco

Criterios de información

Criterios de información: ajustan el ajuste del modelo por número de parámetros
Dos medidas populares de ajuste ajustado
- AIC (Akaike Information Criterion)
- BIC (Bayesian Information Criterion)

Criterios de información

Salida de la estimación

Obtener criterios de información con statsmodels

Ya aprendiste a ajustar un modelo AR

from statsmodels.tsa.arima_model import ARIMA
mod = ARIMA(simulated_data, order=(1,0))
result = mod.fit()

Y a obtener la salida completa
```
result.summary()
```
O solo los parámetros
```
result.params
```
Para obtener el AIC y el BIC
```
result.aic
result.bic
```

Criterios de información

Ajusta un AR(3) simulado a distintos modelos AR(p)
Elige p con el BIC más bajo

¡Vamos a practicar!

Análisis de series temporales en Python

Preparing Video For Download...