Método Box-Jenkins

Modelos ARIMA em Python

James Fulton

Climate informatics researcher

O método Box-Jenkins

Dos dados brutos $\rightarrow$ ao modelo em produção

  • identificação
  • estimação
  • diagnóstico do modelo
Modelos ARIMA em Python

Identificação

  • A série temporal é estacionária?
  • Que diferenciação a torna estacionária?
  • Que transformações a tornam estacionária?
  • Quais valores de p e q são mais promissores?

Modelos ARIMA em Python

Ferramentas de identificação

  • Plote a série temporal
    • df.plot()
  • Use o teste de Dickey-Fuller aumentado
    • adfuller()
  • Use transformações e/ou diferenciação
    • df.diff(), np.log(), np.sqrt()
  • Plote ACF/PACF
    • plot_acf(), plot_pacf()

Modelos ARIMA em Python

Estimação

  • Use os dados para ajustar os coeficientes do modelo
  • Feito para você com model.fit()
  • Escolha entre modelos usando AIC e BIC
    • results.aic, results.bic

Modelos ARIMA em Python

Diagnóstico do modelo

  • Os resíduos são não correlacionados?
  • Os resíduos são normalmente distribuídos?
    • results.plot_diagnostics()
    • results.summary()

Modelos ARIMA em Python

Decisão

Modelos ARIMA em Python

Repetir

  • Repetimos o processo com mais informações
  • Encontre um modelo melhor

Modelos ARIMA em Python

Produção

  • Pronto para gerar previsões
    • results.get_forecast()

Modelos ARIMA em Python

Box-Jenkins

Modelos ARIMA em Python

Vamos praticar!

Modelos ARIMA em Python

Preparing Video For Download...