Wybór odpowiedniego modelu

Analiza szeregów czasowych w Pythonie

Rob Reider

Adjunct Professor, NYU-Courant Consultant, Quantopian

Identyfikacja rzędu modelu AR

Rząd modelu AR(p) zazwyczaj nie jest znany
Dwie metody wyznaczania rzędu
- Częściowa funkcja autokorelacji
- Kryteria informacyjne

Częściowa funkcja autokorelacji (PACF)

Wykres PACF w Pythonie

Tak jak ACF, ale zamiast plt_acf używa się plot_pacf

Importowanie modułu

from statsmodels.graphics.tsaplots import plot_pacf

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

Porównanie PACF dla różnych modeli AR

AR(1)
AR(3)

AR(2)
Biały szum

Kryteria informacyjne

Kryteria informacyjne: korygują dobroć dopasowania o liczbę parametrów
Dwie popularne miary skorygowanej dobroci dopasowania
- AIC (kryterium informacyjne Akaikego)
- BIC (bayesowskie kryterium informacyjne)

Kryteria informacyjne

Wyniki estymacji

Pobieranie kryteriów informacyjnych ze statsmodels

Wcześniej nauczono się dopasowywać model AR

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

Pełne wyniki
```
result.summary()
```
Lub tylko parametry
```
result.params
```
AIC i BIC
```
result.aic
result.bic
```

Kryteria informacyjne

Dopasowanie symulowanego AR(3) do różnych modeli AR(p)
Wybór p z najniższym BIC

Czas na ćwiczenia!

Analiza szeregów czasowych w Pythonie

Preparing Video For Download...