AIC और BIC

Python में ARIMA Models

James Fulton

Climate informatics researcher

AIC - Akaike information criterion

कम AIC बेहतर मॉडल दर्शाता है
AIC कम क्रम वाले सरल मॉडल चुनना पसंद करता है

BIC - Bayesian information criterion

AIC से बहुत मिलता-जुलता
कम BIC बेहतर मॉडल दर्शाता है
BIC कम क्रम वाले सरल मॉडल चुनना पसंद करता है

AIC बनाम BIC

BIC, AIC से भी सरल मॉडल को तरजीह देता है
AIC भविष्यवाणी योग्य मॉडल चुनने में बेहतर है
BIC व्याख्यात्मक मॉडल चुनने में बेहतर है

statsmodels में AIC और BIC

# Create model
model = ARIMA(df, order=(1,0,1))

# Fit model
results = model.fit()

# Print fit summary
print(results.summary())

                            Statespace Model Results                           
==============================================================================
Dep. Variable:                      y   No. Observations:                 1000
Model:               SARIMAX(2, 0, 0)   Log Likelihood               -1399.704
Date:                Fri, 10 May 2019   AIC                           2805.407
Time:                        01:06:11   BIC                           2820.131
Sample:                    01-01-2013   HQIC                          2811.003
                         - 09-27-2015                                         
Covariance Type:                  opg

statsmodels में AIC और BIC

# Create model
model = ARIMA(df, order=(1,0,1))

# Fit model
results = model.fit()

# Print AIC and BIC
print('AIC:', results.aic)
print('BIC:', results.bic)

AIC: 2806.36 
BIC: 2821.09

AIC और BIC पर खोज

# Loop over AR order
for p in range(3):
    # Loop over MA order
    for q in range(3):

        # Fit model
        model = ARIMA(df, order=(p,0,q))
        results = model.fit()

        # print the model order and the AIC/BIC values
        print(p, q, results.aic, results.bic)

0 0 2900.13 2905.04
0 1 2828.70 2838.52
0 2 2806.69 2821.42
1 0 2810.25 2820.06
1 1 2806.37 2821.09
1 2 2807.52 2827.15
...

AIC और BIC पर खोज

order_aic_bic =[]
# Loop over AR order
for p in range(3):
    # Loop over MA order
    for q in range(3):

        # Fit model
        model = ARIMA(df, order=(p,0,q))
        results = model.fit()

        # Add order and scores to list
        order_aic_bic.append((p, q, results.aic, results.bic))

# Make DataFrame of model order and AIC/BIC scores
order_df = pd.DataFrame(order_aic_bic, columns=['p','q', 'aic', 'bic'])

AIC और BIC पर खोज

# Sort by AIC
print(order_df.sort_values('aic'))

   p  q      aic      bic
7  2  1  2804.54  2824.17
6  2  0  2805.41  2820.13
4  1  1  2806.37  2821.09
2  0  2  2806.69  2821.42
...

# Sort by BIC
print(order_df.sort_values('bic'))

   p  q      aic      bic
3  1  0  2810.25  2820.06
6  2  0  2805.41  2820.13
4  1  1  2806.37  2821.09
2  0  2  2806.69  2821.42
...

Non-stationary मॉडल ऑर्डर

# Fit model
model = ARIMA(df, order=(2,0,1))
results = model.fit()

ValueError: Non-stationary starting autoregressive parameters
found with `enforce_stationarity` set to True.

जब कुछ ऑर्डर काम नहीं करते

# Loop over AR order
for p in range(3):
    # Loop over MA order
    for q in range(3):


        # Fit model
        model = ARIMA(df, order=(p,0,q))
        results = model.fit()

        # Print the model order and the AIC/BIC values
        print(p, q, results.aic, results.bic)

जब कुछ ऑर्डर काम नहीं करते

# Loop over AR order
for p in range(3):
    # Loop over MA order
    for q in range(3):

        try:
            # Fit model
            model = ARIMA(df, order=(p,0,q))
            results = model.fit()

            # Print the model order and the AIC/BIC values
            print(p, q, results.aic, results.bic)

        except:
            # Print AIC and BIC as None when fails
            print(p, q, None, None)

अभ्यास करते हैं!

Python में ARIMA Models