博克斯-詹金斯法

Python 中的 ARIMA 模型

James Fulton

Climate informatics researcher

博克斯-詹金斯方法

从原始数据$\rightarrow$生产模型

• 识别
• 估计
• 模型诊断

识别

• 序列是否平稳？
• 需要何种差分使其平稳？
• 需要何种变换使其平稳？
• 哪些 p、q 值最有前景？

识别工具

• 绘制时间序列
  • df.plot()
• 使用扩展Dickey-Fuller检验
  • adfuller()
• 使用变换和/或差分
  • df.diff(), np.log(), np.sqrt()
• 绘制 ACF/PACF
  • plot_acf(), plot_pacf()

估计

• 用数据训练模型系数
• model.fit()为我们完成
• 用 AIC 和 BIC 在模型间选择
  • results.aic, results.bic

模型诊断

• 残差是否不相关
• 残差是否服从正态分布
  • results.plot_diagnostics()
  • results.summary()

决策

重复

• 基于更多信息再次执行流程
• 找到更优模型

生产部署

• 可进行预测
  • results.get_forecast()

博克斯-詹金斯

¡Vamos a practicar!

Python 中的 ARIMA 模型