Diagnostika modelu

ARIMA modely v Pythonu

James Fulton

Climate informatics researcher

Úvod do diagnostiky modelu

Jak dobrý je výsledný model?

Rezidua

# Fit model
model = ARIMA(df, order=(p,d,q))
results = model.fit()

# Assign residuals to variable
residuals = results.resid

2013-01-23    1.013129
2013-01-24    0.114055
2013-01-25    0.430698
2013-01-26   -1.247046
2013-01-27   -0.499565
       ...         ...

Střední absolutní chyba

Jak daleko jsou předpovědi od skutečných hodnot?

mae = np.mean(np.abs(residuals))

Diagnostické grafy

Pokud model dobře odpovídá datům, rezidua budou bílý gaussovský šum

# Create the 4 diagostics plots
results.plot_diagnostics()
plt.show()

Graf reziduí

Histogram s odhadnutou hustotou

Normální Q-Q

Korelogram

Souhrnné statistiky

print(results.summary())

...
===================================================================================
Ljung-Box (Q):                       32.10   Jarque-Bera (JB):                 0.02
Prob(Q):                              0.81   Prob(JB):                         0.99
Heteroskedasticity (H):               1.28   Skew:                            -0.02
Prob(H) (two-sided):                  0.21   Kurtosis:                         2.98
===================================================================================

Prob(Q) - p-hodnota pro nulovou hypotézu, že rezidua jsou nekorelovaná
Prob(JB) - p-hodnota pro nulovou hypotézu, že rezidua mají normální rozdělení

Lass uns üben!

ARIMA modely v Pythonu