ARIMA模型：plot_diagnostics，我们模型的残差是什么意思

Question

我正在使用以下教程学习ARIMA模型： https ： //www.digitalocean.com/community/tutorials/a-guide-to-time-series-forecasting-with-arima-in-python-3#step-5 - --fitting-AN-华宇时间序列模型

在我使用步骤5拟合模型后 - 使用以下代码拟合ARIMA时间序列模型：

mod = sm.tsa.statespace.SARIMAX(y,
                                order=(1, 1, 1),
                                seasonal_order=(1, 1, 1, 12),
                                enforce_stationarity=False,
                                enforce_invertibility=False)

results = mod.fit()

print(results.summary().tables[1])

和情节

results.plot_diagnostics(figsize=(15, 12))
plt.show()

我不知道其含义：我们模型的残差是不相关的，通常用零均值分布。 我想知道模型中的残差是什么，残差是真值和预测值之间的差异。

为什么作者设置enforce_stationarity是False，因为ARIMA模式需要数据平稳性，enforce_stationarity和enforce_invertibility的含义是什么？

 enforce_stationarity=False,
 enforce_invertibility=False

如果可能的话，你能详细解释一下吗？ 谢谢！

Answer 1

残差确实是真实值和预测值之间的差异。 如果残差之间存在相关性 - 残差中剩下的信息应该用于计算预测。 如果残差的平均值不为零，那么预测就会有偏差。 例如，如果我们有一个不断增长的残差，如（...... -0.3，-0.2,0.1,0,0.1,0.2,0.3 ......等等），则平均值为0）这意味着我们的模型没有完全描绘了这个过程。

参数：如果查看软件包文档，您将看到这些参数用于ENFORCE平稳性或可逆性。 如果数据是静止的并且AR参数被正确选择（因为您应该已经完成​​了一些先前的数据预处理），为什么我们要再次进行？ 同样代表可逆性。