时间序列分析/预测

Question

当我尝试使用 AR(3) 模型来预测/预测未来数据时，我得到的预测很差。 我不太确定我哪里出错了，或者为什么预测开始下降。 非常感谢任何帮助或指示。 非常感谢。

这是我的例子：

import pandas as pd

df2 = pd.DataFrame({
     "Month" : [1,2,3,4,5,6,7,8,9,10,11,12,13,14,15],
     "Sales Count": [10,15,24,30,33,45,67,70,75,88,92,95,98,105,115]
})

df2.index = df2.Month

df2 = df2.drop('Month',axis=1)

from statsmodels.tsa.arima_model import ARIMA

model = ARIMA(df2['Sales Count'],order=(3,0,0))
model = model.fit()

pred = model.predict(1,27)

这些是我的预测值：

• 1：10.924977
• 2：19.647766
• 3：31.068473
• 4：35.592394
• 5：36.422376
• 6：52.956438
• 7 : 81.115237
• 8 : 74.101817
• 9：77.985398
• 10 : 95.468273
• 11：95.013056
• 12 : 96.333352
• 13 : 99.131086
• 14：108.245458
• 15：120.136458
• 16 : 122.627635
• 17 : 122.961509
• 18 : 121.735104
• 19 : 119.397032
• 20 : 116.308360
• 21 : 112.751786
• 22 : 108.946149
• 23 : 105.057805
• 24 : 101.210451
• 25 : 97.493384
• 26 : 93.968447
• 27 : 90.675809

预测示例图：

Answer 1

我会发表评论，但还不能。 很少需要澄清。

为什么要使用自动回归模态作为适合线性回归的预测模态？ 使用 AR 过程进行预测会引入不稳定性，阶数越高，保持预测稳定就越困难，因为对应于 x[t-1]、x[t-2]、x[t-3] 的每个系数变得更难估计。