Diagnostic du modèle

Modèles ARIMA en Python

James Fulton

Climate informatics researcher

Introduction au diagnostic de modèle

  • Le modèle final est-il bon ?
Modèles ARIMA en Python

Résidus

Modèles ARIMA en Python

Résidus

# Fit model
model = ARIMA(df, order=(p,d,q))
results = model.fit()

# Assign residuals to variable
residuals = results.resid

2013-01-23    1.013129
2013-01-24    0.114055
2013-01-25    0.430698
2013-01-26   -1.247046
2013-01-27   -0.499565
       ...         ...
Modèles ARIMA en Python

Erreur absolue moyenne

À quelle distance les prédictions sont-elles des valeurs réelles ?

mae = np.mean(np.abs(residuals))
Modèles ARIMA en Python

Graphiques de diagnostic

Si l'ajustement est bon, les résidus seront un bruit blanc gaussien.

# Create the 4 diagostics plots
results.plot_diagnostics()
plt.show()

Modèles ARIMA en Python

Graphique des résidus

Modèles ARIMA en Python

Graphique des résidus

Modèles ARIMA en Python

Histogramme et densité estimée

Modèles ARIMA en Python

Q-Q normal

Modèles ARIMA en Python

Corrélogramme

Modèles ARIMA en Python

Statistiques sommaires

print(results.summary())

...
===================================================================================
Ljung-Box (Q):                       32.10   Jarque-Bera (JB):                 0.02
Prob(Q):                              0.81   Prob(JB):                         0.99
Hétéroscédasticité (H):               1.28   Asymétrie :                      -0.02
Prob(H) (bilatérale) :                0.21   Kurtose :                         2.98
===================================================================================
  • Prob(Q) : valeur p pour l'hypothèse nulle de résidus non corrélés
  • Prob(JB) : valeur p pour l'hypothèse nulle de résidus normaux
Modèles ARIMA en Python

Passons à la pratique !

Modèles ARIMA en Python

Preparing Video For Download...