Метод Бокса–Дженкинса

Модели ARIMA в Python

James Fulton

Climate informatics researcher

Метод Бокса–Дженкинса

От исходных данных $\rightarrow$ к рабочей модели

  • идентификация
  • оценка
  • диагностика модели
Модели ARIMA в Python

Идентификация

  • Является ли временной ряд стационарным?
  • Какое дифференцирование сделает его стационарным?
  • Какие преобразования сделают его стационарным?
  • Какие значения p и q наиболее перспективны?

Модели ARIMA в Python

Инструменты идентификации

  • Постройте график временного ряда
    • df.plot()
  • Используйте расширенный тест Дики–Фуллера
    • adfuller()
  • Примените преобразования и/или дифференцирование
    • df.diff(), np.log(), np.sqrt()
  • Постройте графики ACF/PACF
    • plot_acf(), plot_pacf()

Модели ARIMA в Python

Оценка

  • Используйте данные для обучения коэффициентов модели
  • Выполняется с помощью model.fit()
  • Сравнивайте модели по критериям AIC и BIC
    • results.aic, results.bic

Модели ARIMA в Python

Диагностика модели

  • Некоррелированы ли остатки
  • Распределены ли остатки нормально
    • results.plot_diagnostics()
    • results.summary()

Модели ARIMA в Python

Решение

Модели ARIMA в Python

Повторение

  • Повторяем процесс с учётом новой информации
  • Ищем более подходящую модель

Модели ARIMA в Python

Рабочая модель

  • Готово к построению прогнозов
    • results.get_forecast()

Модели ARIMA в Python

Бокс–Дженкинс

Модели ARIMA в Python

Давайте потренируемся!

Модели ARIMA в Python

Preparing Video For Download...