Alegerea modelului potrivit

Analiza seriilor de timp în Python

Rob Reider

Adjunct Professor, NYU-Courant Consultant, Quantopian

Identificarea ordinului unui model AR

  • Ordinul unui model AR(p) este de obicei necunoscut
  • Două tehnici pentru determinarea ordinului
    • Funcția de autocorelație parțială
    • Criterii de informație
Analiza seriilor de timp în Python

Funcția de autocorelație parțială (PACF)

Analiza seriilor de timp în Python

Reprezentarea PACF în Python

  • Similar cu ACF, dar folosiți plot_pacf în loc de plt_acf
  • Importați modulul
    from statsmodels.graphics.tsaplots import plot_pacf
  • Reprezentați PACF
    plot_pacf(x, lags= 20, alpha=0.05)
Analiza seriilor de timp în Python

Compararea PACF pentru diferite modele AR

  • AR(1)

  • AR(3)

  • AR(2)

  • Zgomot alb

Analiza seriilor de timp în Python

Criterii de informație

  • Criterii de informație: ajustează calitatea ajustării în funcție de numărul de parametri
  • Două măsuri populare de ajustare
    • AIC (Criteriul de informație Akaike)
    • BIC (Criteriul de informație Bayesian)
Analiza seriilor de timp în Python

Criterii de informație

  • Rezultatul estimării
Analiza seriilor de timp în Python

Obținerea criteriilor de informație din statsmodels

  • Ați învățat anterior cum să ajustați un model AR
    from statsmodels.tsa.arima_model import ARIMA
mod = ARIMA(simulated_data, order=(1,0))
result = mod.fit()
  • Și cum să obțineți rezultatul complet
    result.summary()
  • Sau doar parametrii
    result.params
  • Pentru a obține AIC și BIC
    result.aic
result.bic
Analiza seriilor de timp în Python

Criterii de informație

  • Ajustați un AR(3) simulat la diferite modele AR(p)
  • Alegeți p cu cel mai mic BIC
Analiza seriilor de timp în Python

Să exersăm!

Analiza seriilor de timp în Python

Preparing Video For Download...