การเลือกโมเดลที่เหมาะสม

การวิเคราะห์อนุกรมเวลาด้วย Python

Rob Reider

Adjunct Professor, NYU-Courant Consultant, Quantopian

การระบุอันดับของโมเดล AR

อันดับของโมเดล AR(p) มักไม่เป็นที่ทราบล่วงหน้า
เทคนิคสำหรับระบุอันดับมี 2 วิธี
- Partial Autocorrelation Function
- เกณฑ์สารสนเทศ

Partial Autocorrelation Function (PACF)

พล็อต PACF ใน Python

ใช้เหมือน ACF แต่เปลี่ยนเป็น plot_pacf แทน plt_acf

นำเข้าโมดูล

from statsmodels.graphics.tsaplots import plot_pacf

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

เปรียบเทียบ PACF ของโมเดล AR แบบต่าง ๆ

AR(1)
AR(3)

AR(2)
White Noise

เกณฑ์สารสนเทศ

เกณฑ์สารสนเทศ: ปรับความพอดีของโมเดลตามจำนวนพารามิเตอร์
ตัววัดความพอดีที่นิยมใช้มี 2 แบบ
- AIC (Akaike Information Criterion)
- BIC (Bayesian Information Criterion)

เกณฑ์สารสนเทศ

ผลลัพธ์การประมาณค่า

ดึงเกณฑ์สารสนเทศจาก statsmodels

ก่อนหน้านี้ได้เรียนวิธีฟิตโมเดล AR แล้ว
```
from statsmodels.tsa.arima_model import ARIMA
mod = ARIMA(simulated_data, order=(1,0))
result = mod.fit()
```
ดูผลลัพธ์แบบเต็ม
```
result.summary()
```
หรือดูเฉพาะพารามิเตอร์
```
result.params
```
ดึงค่า AIC และ BIC
```
result.aic
result.bic
```

เกณฑ์สารสนเทศ

ฟิตข้อมูลจำลอง AR(3) กับโมเดล AR(p) หลายค่า
เลือก p ที่ให้ค่า BIC ต่ำสุด

มาฝึกกันเถอะ!

การวิเคราะห์อนุกรมเวลาด้วย Python

Preparing Video For Download...