Modelldiagnostik

ARIMA-modeller i Python

James Fulton

Climate informatics researcher

Introduktion till modelldiagnostik

Hur bra är den slutliga modellen?

Residualer

# 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
       ...         ...

Medelabsolutfel

Hur långt avviker förutsägelserna från de verkliga värdena?

mae = np.mean(np.abs(residuals))

Diagnostikplot

Om modellen passar bra är residualerna vitt gaussiskt brus

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

Residualplot

Histogram med skattad täthet

Normal Q-Q

Korrelogram

Sammanfattande statistik

print(results.summary())

...
===================================================================================
Ljung-Box (Q):                       32.10   Jarque-Bera (JB):                 0.02
Prob(Q):                              0.81   Prob(JB):                         0.99
Heteroskedasticity (H):               1.28   Skew:                            -0.02
Prob(H) (two-sided):                  0.21   Kurtosis:                         2.98
===================================================================================

Prob(Q) - p-värde för nollhypotesen att residualerna är okorrelerade
Prob(JB) - p-värde för nollhypotesen att residualerna är normalfördelade

Nu kör vi en övning!

ARIMA-modeller i Python