Metoda Box-Jenkinsa

Modele ARIMA w Pythonie

James Fulton

Climate informatics researcher

Metoda Box-Jenkinsa

Od surowych danych $\rightarrow$ model produkcyjny

• identyfikacja
• estymacja
• diagnostyka modelu

Identyfikacja

• Czy szereg czasowy jest stacjonarny?
• Jakie różnicowanie zapewni stacjonarność?
• Jakie przekształcenia zapewni stacjonarność?
• Jakie wartości p i q są najbardziej obiecujące?

Narzędzia identyfikacji

• Wykreśl szereg czasowy
  • df.plot()
• Użyj rozszerzonego testu Dickeya-Fullera
  • adfuller()
• Zastosuj przekształcenia i/lub różnicowanie
  • df.diff(), np.log(), np.sqrt()
• Wykreśl ACF/PACF
  • plot_acf(), plot_pacf()

Estymacja

• Dane służą do trenowania współczynników modelu
• Wykonywane automatycznie za pomocą model.fit()
• Porównanie modeli z użyciem AIC i BIC
  • results.aic, results.bic

Diagnostyka modelu

• Czy reszty są nieskorelowane
• Czy reszty mają rozkład normalny
  • results.plot_diagnostics()
  • results.summary()

Decyzja

Powtórzenie

• Powtarzamy proces z większą ilością informacji
• Szukamy lepszego modelu

Produkcja

• Gotowy do prognozowania
  • results.get_forecast()

Box-Jenkins

Czas na ćwiczenia!

Modele ARIMA w Pythonie