菜鸟笔记————计量课上三道arma题

最新推荐文章于 2023-04-10 20:30:30 发布
最新推荐文章于 2023-04-10 20:30:30 发布
阅读量436 收藏 1
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chickendaddy/article/details/116881577
版权 
#encoding=utf-8
from statsmodels.formula.api import ols

import matplotlib.pyplot as plt
import pandas as pd

from statsmodels.tsa.stattools import adfuller
import statsmodels.tsa.api as smt

from statsmodels.graphics.api import qqplot
from statsmodels.stats.stattools import durbin_watson
from sklearn.metrics import mean_squared_error

from pylab import mpl
import numpy as np
data1 = pd.read_excel('C://fangyongxiang/123/work1/实验3 综合实验1与2/香港港元存款余额月度数据.xls', index_col=0)
savings = data1['save']
time = data1['num']
fitting1 = ols('savings~time', data=savings).fit()
fig1 = plt.figure(figsize=(12, 8))
ax = plt.subplot()
y_fitted = fitting1.fittedvalues
ax.plot(time, savings, 'o', label='raw data')
ax.plot(time, y_fitted, 'r--', label='ols')
# # plt.show()
error1 = mean_squared_error(y_fitted, savings)

mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False


data2 = data1['saving1']

# data1.set_index('MMM YYYY')
# data1 = pd.DataFrame(data1)


def del_nan(list):
    a = list.dropna()
    return a

for i in range(0,11):

    print(adfuller(del_nan(data2.diff(i))))
    print('一阶差分最平稳')

base = del_nan(data2.diff(1))





acf =  smt.stattools.acf(base,nlags=10)
pacf = smt.stattools.pacf(base, nlags=10)
print(acf)
print(pacf)
def rrr(a):
    with plt.style.context('bmh'):
        plt.figure(figsize=(300,8))
        时序图 = plt.subplot2grid((3, 1), (0,0))
        data2.plot(ax=时序图)
        时序图.set_title('时序图')
        自相关图 = plt.subplot2grid((3,1), (1, 0))
        smt.graphics.plot_acf(a, lags=10, ax=自相关图, alpha=0.05)
        自相关图.set_title('自相关图')
        偏自相关图 = plt.subplot2grid((3,1), (2, 0))
        smt.graphics.plot_pacf(a, lags=10, ax=偏自相关图, alpha=0.05)
        偏自相关图.set_title('偏相关图')
        plt.tight_layout()
    return
rrr(base)
plt.show()
print('三个可选模型为ARMA(0,2), ARMA(2,0), ARMA(2,2)')
#AIC,BIC,HQIC
model1 = smt.ARMA(base,(0,2)).fit()
model2 = smt.ARMA(base, (2,0)).fit()
# model3 = smt.ARMA(base, (2,2)).fit()

print(model1.aic, model1.bic, model1.hqic)
print(model2.aic, model2.bic, model2.hqic)
# print(model3.aic, model3.bic, model3.hqic)
print('modle2AIC,BIC,HQIC最小，选modle2')

#model1
fig = plt.figure(figsize=(12,8))
ax1 = fig.add_subplot(211)
fig = smt.graphics.plot_acf(model1.resid.values.squeeze(), lags=40, ax=ax1)
ax2 = fig.add_subplot(212)
fig = smt.graphics.plot_pacf(model1.resid, lags=40, ax=ax2)
#model2
fig1 = plt.figure(figsize=(12,8))
ax3 = fig1.add_subplot(211)
fig1 = smt.graphics.plot_acf(model2.resid.values.squeeze(), lags=40, ax=ax3)
ax4 = fig1.add_subplot(212)
fig1 = smt.graphics.plot_pacf(model2.resid, lags=40, ax=ax4)
plt.show()
print('检验一阶自相关')
print(durbin_watson(model2.resid.values))
# #DW＝O＝＞ρ＝１　　 即存在正自相关性
# DW＝４＜＝＞ρ＝－１　即存在负自相关性
# DW＝２＜＝＞ρ＝０　　即不存在（一阶）自相关性
print('不存在（一阶）自相关性  ')

fig1 = plt.figure(figsize=(12,8))
ax = fig1.add_subplot(111)
fig1 = qqplot(model2.resid, line='q', ax=ax, fit=True)
# plt.show()
print('一系列滞后相关检验')
r,q,p = smt.stattools.acf(model2.resid.values.squeeze(), qstat=True)
data = np.c_[range(1,41), r[1:], q, p]

table = pd.DataFrame(data, columns=['lag', "AC", "Q", "Prob(>Q)"])
print(table.set_index('lag'))
print('观察最后一列前十二行的检验概率')#小于0.05：拒绝原假设相关系数不为0

predict_data = model2.predict('1999/2/12','2007/12/11' , dynamic=False)
model2_1_shift = base.shift(1)
recovery = predict_data.add(model2_1_shift)

print(recovery)
from statsmodels.tsa.arima_model import ARIMA
model2_ARIMA = ARIMA(base, order=(2,1,0))
model2_ARIMA_fit = model2_ARIMA.fit()
predict = model2_ARIMA_fit.forecast()[0]
print(predict)
error2 = mean_square_error(predict, base)
print('线性模型均方误差', 'ARIMA')
print(error1, error2)

import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import adfuller
import statsmodels.tsa.api as smt

from statsmodels.graphics.api import qqplot
from statsmodels.stats.stattools import durbin_watson

from pylab import mpl
import numpy as np
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False
data1 =pd.read_excel('c://fangyongxiang//123//work1//test1//123.xls', index_col=0)
data1 = data1['EUR/USD']

# data1.set_index('MMM YYYY')
# data1 = pd.DataFrame(data1)


def del_nan(list):
    a = list.dropna()
    return a

for i in range(0,11):

    print(adfuller(del_nan(data1.diff(i))))
    print('一阶差分最平稳')

base = del_nan(data1.diff(1))





acf =  smt.stattools.acf(base,nlags=40)
pacf = smt.stattools.pacf(base, nlags=40)
print(acf)
print(pacf)
def rrr(a):
    with plt.style.context('bmh'):
        plt.figure(figsize=(300,8))
        时序图 = plt.subplot2grid((3, 1), (0,0))
        data1.plot(ax=时序图)
        时序图.set_title('时序图')
        自相关图 = plt.subplot2grid((3,1), (1, 0))
        smt.graphics.plot_acf(a, lags=40, ax=自相关图, alpha=0.05)
        自相关图.set_title('自相关图')
        偏自相关图 = plt.subplot2grid((3,1), (2, 0))
        smt.graphics.plot_pacf(a, lags=40, ax=偏自相关图, alpha=0.05)
        偏自相关图.set_title('偏相关图')
        plt.tight_layout()
    return
rrr(base)
# plt.show()
print('三个可选模型为ARMA(0,1), ARMA(2,0), ARMA(2,1)')
#AIC,BIC,HQIC
model1 = smt.ARMA(base,(0,1)).fit()
model2 = smt.ARMA(base, (2,0)).fit()
model3 = smt.ARMA(base, (2,1)).fit()


#model1
fig = plt.figure(figsize=(12,8))
ax1 = fig.add_subplot(211)
fig = smt.graphics.plot_acf(model1.resid.values.squeeze(), lags=40, ax=ax1)
ax2 = fig.add_subplot(212)
fig = smt.graphics.plot_pacf(model1.resid, lags=40, ax=ax2)
#model2
fig1 = plt.figure(figsize=(12,8))
ax3 = fig1.add_subplot(211)
fig1 = smt.graphics.plot_acf(model2.resid.values.squeeze(), lags=40, ax=ax3)
ax4 = fig1.add_subplot(212)
fig1 = smt.graphics.plot_pacf(model2.resid, lags=40, ax=ax4)
#model3
fig2 = plt.figure(figsize=(12,8))
ax5 = fig2.add_subplot(211)
fig2 = smt.graphics.plot_acf(model3.resid.values.squeeze(), lags=40, ax=ax5)
ax6 = fig2.add_subplot(212)
fig2 = smt.graphics.plot_pacf(model3.resid, lags=40, ax=ax6)

# plt.show()
print(model1.aic, model1.bic, model1.hqic)
print(model2.aic, model2.bic, model2.hqic)
print(model3.aic, model3.bic, model3.hqic)
print('modle1AIC,BIC,HQIC最小，选modle1')
print('检验一阶自相关')
print(durbin_watson(model1.resid.values))
# #DW＝O＝＞ρ＝１　　 即存在正自相关性
# DW＝４＜＝＞ρ＝－１　即存在负自相关性
# DW＝２＜＝＞ρ＝０　　即不存在（一阶）自相关性
print('不存在（一阶）自相关性  ')

fig1 = plt.figure(figsize=(12,8))
ax = fig1.add_subplot(111)
fig1 = qqplot(model1.resid, line='q', ax=ax, fit=True)
# plt.show()
print('一系列滞后相关检验')
#Ljung-Box
r,q,p = smt.stattools.acf(model1.resid.values.squeeze(), qstat=True)
data = np.c_[range(1,41), r[1:41], q, p]
table = pd.DataFrame(data, columns=['lag', "AC", "Q", "Prob(>Q)"])
print(table.set_index('lag'))
print('观察最后一列前十二行的检验概率')#小于0.05：拒绝原假设相关系数不为0
predict_data = model1.predict('1993/2/1','2007/12/1' , dynamic=False)
model1_1_shift = base.shift(1)
recovery = predict_data.add(model1_1_shift)
print(recovery)
from statsmodels.tsa.arima_model import ARIMA
model2_ARIMA = ARIMA(base, order=(1,1,0))
model2_ARIMA_fit = model2_ARIMA.fit()
predict = model2_ARIMA_fit.forecast()[0]
print(predict)

plt.show()

import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import adfuller
import statsmodels.tsa.api as smt
from statsmodels.tsa.arima_model import ARIMA
from statsmodels.graphics.api import qqplot
from statsmodels.stats.stattools import durbin_watson

from pylab import mpl
import numpy as np
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False
data1 =pd.read_excel('C://fangyongxiang/123/work1/实验2指导确定性趋势建模/Book1.xls', index_col=0)

data1 = data1['cxx']

# data1.set_index('MMM YYYY')
# data1 = pd.DataFrame(data1)


def del_nan(list):
    a = list.dropna()
    return a

for i in range(0,11):

    print(adfuller(del_nan(data1.diff(i))))
    print('一阶差分最平稳')

base = del_nan(data1.diff(1))





acf =  smt.stattools.acf(base,nlags=10)
pacf = smt.stattools.pacf(base, nlags=10)
print(acf)
print(pacf)
def rrr(a):
    with plt.style.context('bmh'):
        plt.figure(figsize=(300,8))
        时序图 = plt.subplot2grid((3, 1), (0,0))
        data1.plot(ax=时序图)
        时序图.set_title('时序图')
        自相关图 = plt.subplot2grid((3,1), (1, 0))
        smt.graphics.plot_acf(a, lags=10, ax=自相关图, alpha=0.05)
        自相关图.set_title('自相关图')
        偏自相关图 = plt.subplot2grid((3,1), (2, 0))
        smt.graphics.plot_pacf(a, lags=10, ax=偏自相关图, alpha=0.05)
        偏自相关图.set_title('偏相关图')
        plt.tight_layout()
    return
rrr(base)
plt.show()
print('三个可选模型为ARMA(0,1), ARMA(2,0), ARMA(2,1)')
#AIC,BIC,HQIC
model1 = smt.ARMA(base,(0,1)).fit()
model2 = smt.ARMA(base, (1,0)).fit()
model3 = smt.ARMA(base, (1,1)).fit()



#model1
fig = plt.figure(figsize=(12,8))
ax1 = fig.add_subplot(211)
fig = smt.graphics.plot_acf(model1.resid.values.squeeze(), lags=40, ax=ax1)
ax2 = fig.add_subplot(212)
fig = smt.graphics.plot_pacf(model1.resid, lags=40, ax=ax2)
#model2
fig1 = plt.figure(figsize=(12,8))
ax3 = fig1.add_subplot(211)
fig1 = smt.graphics.plot_acf(model2.resid.values.squeeze(), lags=40, ax=ax3)
ax4 = fig1.add_subplot(212)
fig1 = smt.graphics.plot_pacf(model2.resid, lags=40, ax=ax4)
#model3
fig2 = plt.figure(figsize=(12,8))
ax5 = fig2.add_subplot(211)
fig2 = smt.graphics.plot_acf(model3.resid.values.squeeze(), lags=40, ax=ax5)
ax6 = fig2.add_subplot(212)
fig2 = smt.graphics.plot_pacf(model3.resid, lags=40, ax=ax6)
plt.show()
print(model1.aic, model1.bic, model1.hqic)
print(model2.aic, model2.bic, model2.hqic)
print(model3.aic, model3.bic, model3.hqic)
print('modle2AIC,BIC,HQIC最小，选modle2')
print('检验一阶自相关')
print(durbin_watson(model2.resid.values))
# #DW＝O＝＞ρ＝１　　 即存在正自相关性
# DW＝４＜＝＞ρ＝－１　即存在负自相关性
# DW＝２＜＝＞ρ＝０　　即不存在（一阶）自相关性
print('不存在（一阶）自相关性  ')

fig1 = plt.figure(figsize=(12,8))
ax = fig1.add_subplot(111)
fig1 = qqplot(model2.resid, line='q', ax=ax, fit=True)
# plt.show()
print('一系列滞后相关检验')
r,q,p = smt.stattools.acf(model2.resid.values.squeeze(), qstat=True)
data = np.c_[range(1,28), r[1:28], q, p]
table = pd.DataFrame(data, columns=['lag', "AC", "Q", "Prob(>Q)"])
print(table.set_index('lag'))
print('观察最后一列前十二行的检验概率')#小于0.05：拒绝原假设相关系数不为0
# predict_data = model1.predict('1993/2/1','2007/12/1' , dynamic=False)
# model1_1_shift = base.shift(1)
# recovery = predict_data.add(model1_1_shift)
# print(recovery)
from statsmodels.tsa.arima_model import ARIMA
model2_ARIMA = ARIMA(base, order=(0,1,1))
model2_ARIMA_fit = model2_ARIMA.fit()
predict = model2_ARIMA_fit.forecast()[0]
print(predict)

plt.show()
chickendaddy
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
时间序列分析中如何求偏相关系数和最佳线性预报系数。ARMA(2,1)过程，ε_t是高斯白噪声WN(0,1)，求该序列的前3 个偏相关系数和最佳线性预报系数
从事脑科学核磁共振方法学研究，在Nature communications等权威期刊发表研究论文，熟练掌握磁共振处理方法和统计学方法，欢迎大家和我交流。
04-02 1667
时间序列分析中如何求偏相关系数和最佳线性预报系数。ARMA(2,1)过程，ε_t是高斯白噪声WN(0,1)。求该序列的前3 个偏相关系数和最佳线性预报系数
R语言时间序列之ARMA、ARIMA模型
热门推荐
Mezzie的博客
08-05 10万+
基本理论知识   ARMA模型称为自回归移动平均模型，是时间序列里常用的模型之一。ARMA模型是对平稳序列进行建模。它将序列值表示为过去值和过去扰动项的加权和。模型形式如下：yt=c+a1yt−1+a2yt−2+...+apyt−p+ϵt−b1ϵt−1−b2ϵt−2−...−bqϵt−qy_t=c+a_1y_{t-1}+a_2y_{t-2}+...+a_py_{t-p}+\epsilon_t-b_1
第三章：ARMA模型：课本例题
qq_27256329的博客
04-01 2878
1. 例题3-1：课本54页 考察如下四个AR模型的平稳性： SAS程序如下： goptions vsize=6.8cm hsize=10cm; data a; x1_1=0; x2_1=0; x3_1=0; x3_2=0; x4_1=0; x4_2=0; do t=-100 to 100; e=rannor(12345); x1=0.8*x1_1+e; x2=-1.1*x2_1+e; x3=x3_1-0.5*x3_2+e; x4=x4_1+0.5*x4_2+e; x1_1=x1; x2_1=x2;
ARMA模型的详细介绍与举例
11-07
详细介绍ARMA模型 里面不仅介绍了该模型的实际用法也进行了举例分析
arma模型平稳性和可逆性的条件_时间序列方法第3章平稳ARMA模型答题.doc
weixin_39880318的博客
12-22 1356
时间序列分析方法讲义 第3章 平稳ARMA模型PAGEPAGE 14第三章 平稳ARMA过程一元ARMA模型是描述时间序列动态性质的基本模型。通过介绍ARMA模型，可以了解一些重要的时间序列的基本概念。§3.1 预期、平稳性和遍历性3.1.1 预期和随机过程假设可以观察到一个样本容量为的随机变量的...
时间序列分析——基于R | 第3章 ARMA模型的性质习题代码
最新发布
qq_42959513的博客
04-10 8972
Wold分解定理；AR模型；MA模型；ARMA模型
ARMA、MA谱估计算法——MATLAB源码
06-09
【2】ARMA估计； 【3】MA估计； 【适应对象】： 雷达专业、信号处理专业学生； 【资源特点】： 编程规范，注释明细； 【使用建议】： 此资源为较基础的时域信号处理算法，建议结合算法的理论知识，了解代码实现的...
时间序列分析——ARMA模型实验.doc
10-01
时间序列分析——ARMA模型实验.doc
第十六章 时间序列数据分析基本概念
qq_36171491的博客
05-18 2064
本章主要介绍了时间序列数据的一些基本概念，主要包括自相关系数ACF，偏自相关系数PACF以及平稳性的相关知识。
时间序列分析之AR、MA、ARMA和ARIMA模型
敲代码的quant的博客
07-02 6万+
如果一个时间序列经过平稳性检验后得到是一个平稳非白噪声序列，那么该序列中就蕴含着相关性的信息。在统计学中，通常是建立一个线性模型来拟合该时间序列的趋势，其中，AR、MA、ARMA、ARIMA都是较为常用的模型。1、AR(Auto Regressive Model)自回归模型AR是线性时间序列分析模型中最简单的模型。通过自身前面部分的数据与后面部分的数据之间的相关关系（自相关）来建立回归方程，从而可...
Python数据分析与机器学习-Python时间序列分析
那些疯狂到以为自己能够改变世界的人，才能真正改变世界！
01-26 7690
源码下载地址： http://download.csdn.net/download/adam_zs/10224873 from __future__ import absolute_import, division, print_function # http://www.lfd.uci.edu/~gohlke/pythonlibs/#xgboost import sys im
arma模型_时间序列 | ARMA模型的性质
weixin_39848347的博客
11-27 821
前情提要：经历了残酷的毕业论文写作申请学校面试等乱七八糟的事情之后，年更博主再度上线。上回说到，ARMA模型是一个数据生成过程，忘掉什么是数据生成过程的同学可以找上一篇复习一下。现在我们来探究一下这个模型的一些特质。对于阿玛（ARMA）这样的线性模型来说，最重要的特质大概就是它的自相关方程（Autocorrelation Function, ACF）和偏自相关方程（Partial Autocorr...
机器学习（五）——时间序列ARIMA模型
爱吃串串的瘦子的博客
10-18 7万+
ARIMA模型 平稳性：  平稳性就是要求经由样本时间序列所得到的拟合曲线  在未来的一段期间内仍能顺着现有的形态“惯性”地延续下去 平稳性要求序列的均值和方差不发生明显变化 严平稳与弱平稳：  严平稳：严平稳表示的分布不随时间的改变而改变。  弱平稳：期望与相关系数（依赖性）不变  未来某时刻的t的值Xt就要依赖于它过去的信息，所以需要依赖性 1.导包 #美国消费者信心指数 im...
【手把手教你】使用Python玩转金融时间序列模型
Python金融量化
08-28 3545
01引言上一篇推文【Python量化基础】时间序列的自相关性与平稳性着重介绍了时间序列的一些基础概念，包括自相关性、偏自相关性、白噪声和平稳性，以及Python的简单实现...
数据序列相关性-ACF，PACF和CCF
Will_Zhan的博客
01-30 2万+
引言 最近写论文关于预测的特征选择遇到一些问题，想把自己查询学习到的东西整理记录一下，理一理头绪，希望能加深自己对这些东西的理解。首先介绍引入几个概念：自相关函数（autocorrelation function，ACF）、偏自相关函数（partial autocorrelation，PACF）和互相关函数（cross-correlation function，CCF）。接下来介绍每个指标的计...
Python信号处理：自相关函数(对标MATLAB中的autocorr)
Ten_yn的博客
06-28 1万+
摘要：Python中，更确切地说是numpy、scipy、statsmodels这些库中都有计算相关的方法。但numpy和scipy中的correlate方法的定义和MATLAB中的不同，导致计算结果不太一样。看上去MATLAB和statsmodels里都是用的标准的统计中的定义——皮尔森相关系数，而numpy和scipy中使用的是非正式的信号处理中的定义，需要均值为0，且计算结果需要归一化，才会得到差不多的答案。
时间序列之模型优化
qq_38016957的博客
04-24 6672
1、差分.diff(1) 一阶差分： pd[‘diff_1’] = pd[‘row’].diff(1) #对列数据做差分 2、ACF和PACF的绘制 importstatsmodels.api assm def tsplot(y, lags=None, title=’’, figsize=(14, 8)): fig = plt.figure(figsize=figsize) layout = (...
【时间序列】AR、MA、ARMA与ARIMA
fengdu78的博客
02-03 6587
AR、MA、ARMA与ARIMA题目中的几种模型，都是寻找时间序列上当前时刻的数值与之前时刻对应数据或扰动之间的内部关系，通过训练模型，从而达到预测的目的。P阶-自回归模型（AR）Auto...
arma模型_平稳时间序列分析03----ARMA模型
weixin_40009472的博客
11-27 5988
ARMA模型的定义具有如下结构的模型称为自回归移动平均模型，简记为 特别当 时，称为中心化 模型引进延迟算子, 模型简记为其中：平稳条件与可逆条件模型的平稳条件P阶自回归系数多项式 的根都在单位圆外即模型的平稳性完全由其自回归部分的平稳性决定模型的可逆条件q阶移动平均系数多项式的根都在单位圆外即模型的可逆性完全由其移动平滑部分的可逆性决定传递形式与逆转形式传递形式逆转形式ARMA(p,...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值