Escolhendo o Modelo Certo

Análise de séries temporais em Python

Rob Reider

Adjunct Professor, NYU-Courant Consultant, Quantopian

Identificando a Ordem de um Modelo AR

A ordem de um modelo AR(p) geralmente é desconhecida
Duas técnicas para definir a ordem
- Função de Autocorrelação Parcial
- Critérios de informação

Função de Autocorrelação Parcial (PACF)

Plotar PACF em Python

Igual à ACF, mas use plot_pacf em vez de plt_acf

Importe o módulo

from statsmodels.graphics.tsaplots import plot_pacf

Faça o gráfico da PACF
```
plot_pacf(x, lags= 20, alpha=0.05)
```

Comparação da PACF para Diferentes Modelos AR

AR(1)
AR(3)

AR(2)
Ruído branco

Critérios de Informação

Critérios de informação: ajustam o ajuste do modelo pelo número de parâmetros
Duas medidas populares de ajuste ajustado
- AIC (Akaike Information Criterion)
- BIC (Bayesian Information Criterion)

Critérios de Informação

Saída da estimação

Obtendo Critérios de Informação no statsmodels

Você viu antes como ajustar um modelo AR

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

E como obter a saída completa
```
result.summary()
```
Ou só os parâmetros
```
result.params
```
Para obter AIC e BIC
```
result.aic
result.bic
```

Critérios de Informação

Ajuste um AR(3) simulado a diferentes modelos AR(p)
Escolha p com o menor BIC

Vamos praticar!

Análise de séries temporais em Python

Preparing Video For Download...