Метод Бокса—Дженкінса

Моделі ARIMA в Python

James Fulton

Climate informatics researcher

Метод Бокса—Дженкінса

Від сирих даних $\rightarrow$ до промислової моделі

• ідентифікація
• оцінювання
• діагностика моделі

Ідентифікація

• Чи стаціонарний часовий ряд?
• Яке різницювання зробить його стаціонарним?
• Які перетворення зроблять його стаціонарним?
• Які значення p і q найперспективніші?

Інструменти ідентифікації

• Побудуйте графік часового ряду
  • df.plot()
• Використайте розширений тест Дікі—Фуллера
  • adfuller()
• Застосуйте перетворення та/або різницювання
  • df.diff(), np.log(), np.sqrt()
• Побудуйте ACF/PACF
  • plot_acf(), plot_pacf()

Оцінювання

• Використайте дані, щоб навчити коефіцієнти моделі
• Це робить за нас model.fit()
• Оберіть між моделями за AIC і BIC
  • results.aic, results.bic

Діагностика моделі

• Чи некорельовані залишки
• Чи нормально розподілені залишки
  • results.plot_diagnostics()
  • results.summary()

Рішення

Повтор

• Проходимо кроки знову, маючи більше інформації
• Знайдіть кращу модель

Продакшн

• Готові робити прогнози
  • results.get_forecast()

Бокс—Дженкінс

Давайте потренуємось!

Моделі ARIMA в Python