Scegliere il modello giusto

Analisi delle serie temporali in Python

Rob Reider

Adjunct Professor, NYU-Courant Consultant, Quantopian

Identificare l'ordine di un modello AR

L'ordine di un modello AR(p) di solito è sconosciuto
Due tecniche per determinarlo
- Funzione di autocorrelazione parziale
- Criteri informativi

Funzione di autocorrelazione parziale (PACF)

Tracciare la PACF in Python

Come l'ACF, ma usa plot_pacf invece di plt_acf

Importa il modulo

from statsmodels.graphics.tsaplots import plot_pacf

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

Confronto della PACF per diversi modelli AR

AR(1)
AR(3)

AR(2)
Rumore bianco

Criteri informativi

Criteri informativi: correggono il goodness-of-fit per il numero di parametri
Due misure diffuse di goodness-of-fit corretto
- AIC (Akaike Information Criterion)
- BIC (Bayesian Information Criterion)

Criteri informativi

Output di stima

Ottenere i criteri informativi da statsmodels

In precedenza hai visto come adattare un modello AR

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

E come ottenere l'output completo
```
result.summary()
```
Oppure solo i parametri
```
result.params
```
Per ottenere AIC e BIC
```
result.aic
result.bic
```

Criteri informativi

Adatta un AR(3) simulato a diversi modelli AR(p)
Scegli p con il BIC più basso

Esercitiamoci!

Analisi delle serie temporali in Python

Preparing Video For Download...