Méthode de Box-Jenkins

Modèles ARIMA en Python

James Fulton

Climate informatics researcher

La méthode de Box-Jenkins

Des données brutes $\rightarrow$ un modèle en production

• identification
• estimation
• diagnostic du modèle

Identification

• La série temporelle est-elle stationnaire ?
• Quel différenciation la rendra stationnaire ?
• Quelles transformations la rendront stationnaire ?
• Quelles valeurs de p et q sont les plus prometteuses ?

Outils d'identification

• Tracer la série temporelle
  • df.plot()
• Utiliser le test de Dickey-Fuller augmenté
  • adfuller()
• Appliquer transformations et/ou différenciation
  • df.diff(), np.log(), np.sqrt()
• Tracer ACF/PACF
  • plot_acf(), plot_pacf()

Estimation

• Utiliser les données pour ajuster les coefficients
• Réalisé pour vous avec model.fit()
• Choisir entre les modèles avec AIC et BIC
  • results.aic, results.bic

Diagnostic du modèle

• Les résidus sont-ils non corrélés ?
• Les résidus suivent-ils une loi normale ?
  • results.plot_diagnostics()
  • results.summary()

Décision

Répéter

• Reprendre le processus avec plus d'information
• Trouver un meilleur modèle

Production

• Prêt pour la prévision
  • results.get_forecast()

Box-Jenkins

Passons à la pratique !

Modèles ARIMA en Python