Chọn mô hình phù hợp

Phân tích chuỗi thời gian với Python

Rob Reider

Adjunct Professor, NYU-Courant Consultant, Quantopian

Xác định bậc của mô hình AR

Bậc của mô hình AR(p) thường là không biết trước
Hai cách xác định bậc
- Hàm tự tương quan riêng phần (PACF)
- Tiêu chí thông tin

Hàm tự tương quan riêng phần (PACF)

Vẽ PACF trong Python

Tương tự ACF, nhưng dùng plot_pacf thay cho plt_acf

Import module

from statsmodels.graphics.tsaplots import plot_pacf

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

So sánh PACF cho các mô hình AR khác nhau

AR(1)
AR(3)

AR(2)
Nhiễu trắng

Tiêu chí thông tin

Tiêu chí thông tin: điều chỉnh độ phù hợp theo số tham số
Hai thước đo phổ biến đã điều chỉnh độ phù hợp
- AIC (Akaike Information Criterion)
- BIC (Bayesian Information Criterion)

Tiêu chí thông tin

Kết quả ước lượng

Lấy tiêu chí thông tin từ statsmodels

Trước đó bạn đã học cách fit mô hình AR

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

Và lấy toàn bộ kết quả
```
result.summary()
```
Hoặc chỉ các tham số
```
result.params
```
Để lấy AIC và BIC
```
result.aic
result.bic
```

Tiêu chí thông tin

Fit dữ liệu AR(3) mô phỏng với các mô hình AR(p) khác nhau
Chọn p có BIC nhỏ nhất

Cùng luyện tập nào!

Phân tích chuỗi thời gian với Python

Preparing Video For Download...