Choisir le bon modèle

Analyse des séries chronologiques en Python

Rob Reider

Adjunct Professor, NYU-Courant Consultant, Quantopian

Identifier l'ordre d'un modèle AR

L'ordre d'un modèle AR(p) est généralement inconnu
Deux façons de déterminer l'ordre
- Fonction d'autocorrélation partielle
- Critères d'information

Fonction d'autocorrélation partielle (PACF)

Tracer la PACF en Python

Comme l'ACF, mais utilisez plot_pacf plutôt que plt_acf

Importer le module

from statsmodels.graphics.tsaplots import plot_pacf

Tracer la PACF
```
plot_pacf(x, lags= 20, alpha=0.05)
```

Comparaison des PACF pour différents modèles AR

AR(1)
AR(3)

AR(2)
Bruit blanc

Critères d'information

Critères d'information : ajustent la qualité d'ajustement selon le nombre de paramètres
Deux mesures ajustées courantes
- AIC (Akaike Information Criterion)
- BIC (Bayesian Information Criterion)

Critères d'information

Résultats d'estimation

Obtenir les critères d'information avec statsmodels

Vous avez vu plus tôt comment ajuster un modèle AR

from statsmodels.tsa.arima_model import ARIMA
mod = ARIMA(simulated_data, order=(1,0))
result = mod.fit()

Et obtenir la sortie complète
```
result.summary()
```
Ou seulement les paramètres
```
result.params
```
Pour obtenir l'AIC et le BIC
```
result.aic
result.bic
```

Critères d'information

Ajuster une série AR(3) simulée avec différents modèles AR(p)
Choisir p avec le BIC le plus faible

Passons à la pratique !

Analyse des séries chronologiques en Python

Preparing Video For Download...