Box-Jenkins-metoden

ARIMA-modeller i Python

James Fulton

Climate informatics researcher

Box-Jenkins-metoden

Från rådata $\rightarrow$ produktionsmodell

• identifiering
• skattning
• modelldiagnostik

Identifiering

• Är tidsserien stationär?
• Vilken differentiering gör den stationär?
• Vilka transformationer gör den stationär?
• Vilka värden på p och q är mest lovande?

Identifieringsverktyg

• Plotta tidsserien
  • df.plot()
• Använd augmenterat Dickey-Fuller-test
  • adfuller()
• Använd transformationer och/eller differentiering
  • df.diff(), np.log(), np.sqrt()
• Plotta ACF/PACF
  • plot_acf(), plot_pacf()

Skattning

• Använd data för att träna modellkoefficienterna
• Görs automatiskt med model.fit()
• Välj mellan modeller med AIC och BIC
  • results.aic, results.bic

Modelldiagnostik

• Är residualerna okorrelerade?
• Är residualerna normalfördelade?
  • results.plot_diagnostics()
  • results.summary()

Beslut

Upprepa

• Vi går igenom processen igen med mer information
• Hittar en bättre modell

Produktion

• Redo att göra prognoser
  • results.get_forecast()

Box-Jenkins

Nu kör vi en övning!

ARIMA-modeller i Python