![](/img/trans.png)
[英]Which Seasonal Adjustment Program should I use with Statsmodels X-13-ARIMA
[英]How to get predictions using X-13-ARIMA in python statsmodels
我正在尝试从 python 3 中的 statsmodels 库运行 X-13-ARIMA 模型。
我在 statsmodels 文档中找到了这个例子:
dta = sm.datasets.co2.load_pandas().data
dta.co2.interpolate(inplace=True)
dta = dta.resample('M').sum()
res = sm.tsa.x13_arima_select_order(dta.co2)
print(res.order, res.sorder)
results = sm.tsa.x13_arima_analysis(dta.co2)
fig = results.plot()
fig.set_size_inches(12, 5)
fig.tight_layout()
这很好用,但我还需要预测这个时间序列的未来值。 tsa.x13_arima_analysis()
函数包含forecast_years
参数,所以我想它应该是可能的。 然而; 无论我选择的forecast_years
参数值是多少, results
对象似乎都不会改变。
如何获得预测值?
到现在为止,您自己可能已经有了这个。 我检索了一些在 2012 年 7 月结束的月度天气数据。我输入此语句进行分析。
results = sm.tsa.x13_arima_analysis(s, forecast_years=3)
然后(发现results.results
)我输入了这个。
open('c:/scratch/result.txt', 'w').write(results.results)
通过查看此文件以进行“预测”,我发现了以下部分。
FORECASTING
Origin 2012.Jul
Number 3
Forecasts and Standard Errors of the Prior Adjusted Data
------------------------------
Standard
Date Forecast Error
------------------------------
2012.Aug 33.02 2.954
2012.Sep 28.31 2.954
2012.Oct 21.54 2.954
------------------------------
Confidence intervals with coverage probability ( 0.95000
---------------------------------------
Date Lower Forecast Upper
---------------------------------------
2012.Aug 27.23 33.02 38.82
2012.Sep 22.52 28.31 34.10
2012.Oct 15.75 21.54 27.33
---------------------------------------
forecast_years=3
似乎意味着进行三个月的预测,在这种情况下从 7 月之后开始。
predict_years=x 为我工作。 请注意您正在运行的 statsmodels 版本(“pip freeze | grep statsmodels”),对于 10.2 版,预测范围的正确参数是 <forecast_years>,但在 11.0 及更高版本中,正确的参数是 <forecast_periods>。
一个简单的正则表达式应该可以找到您的预测值:
202\\d.\\w{3}\\s{6}\\d\\d.\\d\\d\\s{5}\\d\\d.\\d\\d\\s{5}\\d\\d.\\d\\d
(在结果的每一行上运行)
这将匹配:
2020.Feb 18.04 32.25 46.47
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.