Diagnostyka modelu

Modele ARIMA w Pythonie

James Fulton

Climate informatics researcher

Wprowadzenie do diagnostyki modelu

Jak dobry jest finalny model?

Reszty

# 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
       ...         ...

Średni błąd bezwzględny

Jak bardzo prognozy odbiegają od rzeczywistych wartości?

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

Wykres diagnostyczny

Jeśli model dobrze dopasowuje dane, reszty będą białym szumem gaussowskim

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

Wykres reszt

Histogram z oszacowaną gęstością

Normalny Q-Q

Korelogram

Statystyki podsumowujące

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-wartość dla hipotezy zerowej, że reszty są nieskorelowane
Prob(JB) - p-wartość dla hipotezy zerowej, że reszty mają rozkład normalny

Czas na ćwiczenia!

Modele ARIMA w Pythonie