วิธีการ Box-Jenkins

ARIMA Models ใน Python

James Fulton

Climate informatics researcher

วิธีการ Box-Jenkins

จากข้อมูลดิบ $\rightarrow$ โมเดลสำหรับใช้งานจริง

• การระบุโมเดล
• การประมาณค่า
• การวินิจฉัยโมเดล

การระบุโมเดล

• อนุกรมเวลา stationary หรือไม่?
• ต้อง differencing อย่างไรจึงจะ stationary?
• ต้อง transform อย่างไรจึงจะ stationary?
• ค่า p และ q ใดมีแนวโน้มดีที่สุด?

เครื่องมือสำหรับการระบุโมเดล

• พล็อตอนุกรมเวลา
  • df.plot()
• ใช้ augmented Dicky-Fuller test
  • adfuller()
• ใช้การ transform และ/หรือ differencing
  • df.diff(), np.log(), np.sqrt()
• พล็อต ACF/PACF
  • plot_acf(), plot_pacf()

การประมาณค่า

• ใช้ข้อมูลในการฝึก coefficient ของโมเดล
• ดำเนินการผ่าน model.fit()
• เลือกโมเดลโดยใช้ AIC และ BIC
  • results.aic, results.bic

การวินิจฉัยโมเดล

• residual ไม่มีความสัมพันธ์กันหรือไม่
• residual มีการกระจายแบบปกติหรือไม่
  • results.plot_diagnostics()
  • results.summary()

การตัดสินใจ

ทำซ้ำ

• วนกระบวนการอีกครั้งด้วยข้อมูลที่มากขึ้น
• เพื่อค้นหาโมเดลที่ดีกว่า

การนำไปใช้งานจริง

• พร้อมสำหรับการพยากรณ์
  • results.get_forecast()

Box-Jenkins

มาฝึกกันเถอะ!

ARIMA Models ใน Python