时间序列数据帧python上的ARIMA建模

Question

我正在尝试使用 ARIMA 模型进行预测。 我是新手。 我试图绘制我的数据集（每小时数据）的seasonal_decompose()，下面是图？

我想了解这些情节，简要描述会有所帮助。 我看到最初没有趋势，一段时间后有上升趋势。 我不确定我说的对不对？ 我想了解如何正确阅读这些图表。 请给出一些好的描述。

当我尝试应用 Dickey-Fuller 测试来检查我的数据是否静止并且我是否需要进一步差分时，我得到了以下结果：

Test Statistic                   -4.117543
p-value                           0.000906
Lags Used                       30.000000
Number of Observations Used    4289.000000
Critical Value (1%)              -3.431876
Critical Value (5%)              -2.862214
Critical Value (10%)             -2.567129

我指的是 2 个链接来理解这一点： http : //www.seanabu.com/2016/03/22/time-series-seasonal-ARIMA-model-in-python/

这个链接说当 test-statistic 大于临界值时，这意味着数据是平稳的； 另一方面，另一个链接说反之亦然。 我对此感到困惑，我还提到了 otexts.org，它说我们应该根据 p 值进行检查。 请建议我如何解释 ADF 测试给出的结果？

此外，当我尝试在数据集上应用 ARIMA 模型时：

from statsmodels.tsa.arima_model import ARIMA
model = ARIMA(df.y, order=(0,1,0))
model_fit = model.fit()

我的数据框将日期时间列作为索引，而 y 列具有浮点值。 当我在这个数据框上应用模型时。 我收到此类错误：

索引错误：列表索引超出范围。

当我尝试使用以下方法打印模型摘要时，会出现此错误：

print(model_fit.summary())

请帮我解决一下这个。 这样我才能更好地了解ARIMA。

Answer 1

ARIMA（自回归综合移动平均）时间序列的交叉验证： K 折交叉验证不适用于时间序列。 相反，使用回测技术，如前行和滚动窗口。

自回归的 K 折交叉验证：虽然交叉验证（通常）对时间序列 (ARIMA) 模型无效，但 K 折适用于自回归，只要所考虑的模型存在不相关的错误，并且您已经使用Ljung Box Test ，用于时间序列用例中的 XAI（可解释人工智能）。

有一些 Python 统计库可以使用这些方法，这里有两个： Python Stats Tests和Python StatsModels 。

要获得值的差异，您可以简单地使用Python 3.6+ PEP 487 Descriptors强制执行 int8，您可以在其中强制执行始终返回 int8 的类型列表，以加快计算速度(list : list -> list of ints) ：

list_a = [1,2,3]
list_b = [2,3]
print(set(list_a).difference(set(list_b)))
`answer is` set([1])

Answer 2

至于解释 ARIMA 模型，我只能参考你

https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average

关于您在调用model_fit.summary()时收到的问题，我认为这是因为order=(0,1,0) 。 模型没有p或q参数来仅估计常数差异。

如果您运行以下代码，您可以看到常数差异只是差异值的平均值：

#differences in forecasted values
pd.Series(model_fit.forecast(steps=10)[0]).diff(1)

#results
#0              NaN
#1    107904.396563
#2    107904.396563
#3    107904.396563
#4    107904.396563

#mean of the original time series differenced once
model_fit.model.endog.mean()
#107904.3965625

当您将其更改为order=(0,1,1)或order=(1,1,0) ，摘要将打印得很好，但这当然是一个不同的模型，并且对随机过程如何演变做出不同的假设时间。

Answer 3

当使用 ADf stat 为您的模型生成 ARIMA 模型摘要时，您应该注意 ADF 检验、临界值和 p 值以帮助您获得洞察力。

当您的临界值小于您的 ADF 统计数据时，您最有可能拥有非平稳系列，即您的系列显示季节性或某种趋势。 然后接下来要注意的是您的 p 值； 如果它小于值 0.05，那么您的系列无疑是平稳的，否则它是季节性的。

至于你的 IndexError ，我觉得这是因为你没有为你的模型提供滞后值，你的模型基于从残差图和 acf 图中获得的观察结果。 或者您可以尝试使用 (1,0,0) 或 (1,1,0) 的简单模型。 希望有帮助！