我正在用下面的教程研究ARIMA模型:https://www.digitalocean.com/community/tutorials/a-guide-to-time-series-forecasting-with-arima-in-python-3#step-5-——拟合ARIMA时间序列模型
在我用步骤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])
和阴谋
^{pr2}$我不知道这是什么意思:我们模型的残差是不相关的,正态分布,零均值。我想知道模型中的残差是什么,意思是残差是真实值和预测值之间的差值。在
ARIMA模式需要数据平稳性,为什么设置强制平稳性为假?强制平稳性和强制可逆性是什么意思?在
enforce_stationarity=False,
enforce_invertibility=False
如果可能的话,你能详细解释一下吗。谢谢!在
残差实际上是真实值和预测值之间的差异。如果残差之间存在相关性-在残差中留下的信息应用于计算预测。如果残差的平均值不是零,那么预测是有偏差的。例如,如果我们有一个不断增长的残差。。。-0.3,-0.2,0.1,0,0.1,0.2,0.3。。。以此类推,平均值为0)这意味着我们的模型不能完全描述过程。在
参数: 如果您查看包documentation,您将看到这些参数用于强制实现平稳性或可逆性。如果数据是平稳的,并且AR参数的选择是正确的(因为您应该已经做了一些之前的数据预处理),为什么我们要再次这样做?同样代表可逆性。在
相关问题 更多 >
编程相关推荐