用Python实现时间序列模型实战——Day 9: SARIMA 模型的诊断与调整

于 2024-09-03 08:30:00 发布
阅读量899 收藏 28
点赞数 24
分类专栏： 时间序列模型 文章标签： python 开发语言
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/qq_41698317/article/details/141829303
版权
一、学习内容
1. SARIMA 模型的残差分析与诊断

残差分析：

  • 在拟合 SARIMA 模型后，我们需要对模型的残差进行分析，以确保模型没有遗漏重要的信息。一个好的模型应该具有白噪声残差，即残差应该是零均值、方差恒定且无自相关性的。
  • 残差分析可以通过以下步骤进行：
    • 可视化残差序列：绘制残差的时间序列图，以观察其是否表现为随机波动。
    • 残差的 ACF 图：绘制残差的自相关函数 (ACF) 图，检查是否存在显著的自相关性。
    • Ljung-Box 检验：使用 Ljung-Box 检验来进一步确认残差是否为白噪声。
2. 模型的优化与参数调整

参数调整：

  • 如果残差分析显示残差存在显著的自相关性或不符合白噪声假设，则需要对 SARIMA 模型的参数进行调整。通过调整 p, d, q和 P, D, Q, m 参数，可以提高模型的拟合效果。
  • AIC/BIC 信息准则：在调整参数时，可以使用 AIC（赤池信息准则）和 BIC（贝叶斯信息准则）作为评价标准，选择 AIC 或 BIC 最小的模型。

模型对比：

  • 通过尝试不同的参数组合，并比较模型的 AIC 和 BIC 值，来确定最优的模型。
  • 对比新旧模型的残差分析结果，确认优化后的模型是否改善了残差的表现。
二、实战案例

我们将使用 statsmodels 库对一个季节性数据集（如航空乘客数据）进行 SARIMA 模型的残差分析与调整。

1. 数据加载与 SARIMA 模型拟合

import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.statespace.sarimax import SARIMAX
from statsmodels.graphics.tsaplots import plot_acf
from statsmodels.stats.diagnostic import acorr_ljungbox

# 加载时间序列数据集
url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/airline-passengers.csv"
data = pd.read_csv(url, parse_dates=['Month'], index_col='Month')

# SARIMA 模型拟合 (p, d, q) x (P, D, Q, m) = (1, 1, 1) x (1, 1, 1, 12)
model = SARIMAX(data['Passengers'], order=(1, 1, 1), seasonal_order=(1, 1, 1, 12))
results = model.fit()

# 输出模型摘要
print(results.summary())

程序解释： 

  • 载入航空乘客数据集，并使用 SARIMAX 函数拟合 SARIMA(1, 1, 1)(1, 1, 1, 12) 模型，输出模型摘要信息。

程序的运行结果： 

SARIMAX Results                                      
==========================================================================================
Dep. Variable:                         Passengers   No. Observations:                  144
Model:             SARIMAX(1, 1, 1)x(1, 1, 1, 12)   Log Likelihood                -506.149
Date:                            Mon, 02 Sep 2024   AIC                           1022.299
Time:                                    20:27:49   BIC                           1036.675
Sample:                                01-01-1949   HQIC                          1028.140
                                     - 12-01-1960                                         
Covariance Type:                              opg                                         
==============================================================================
                 coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------
ar.L1         -0.1272      0.356     -0.357      0.721      -0.825       0.570
ma.L1         -0.2149      0.325     -0.660      0.509      -0.853       0.423
ar.S.L12      -0.9272      0.214     -4.341      0.000      -1.346      -0.509
ma.S.L12       0.8395      0.309      2.717      0.007       0.234       1.445
sigma2       130.7819     15.420      8.481      0.000     100.559     161.005
===================================================================================
Ljung-Box (L1) (Q):                   0.00   Jarque-Bera (JB):                 7.05
Prob(Q):                              0.99   Prob(JB):                         0.03
Heteroskedasticity (H):               2.65   Skew:                             0.13
Prob(H) (two-sided):                  0.00   Kurtosis:                         4.11
===================================================================================

SARIMA(1, 1, 1)(1, 1, 1, 12) 模型的摘要：模型摘要中显示了各参数的估计值、标准误差、t 统计量等信息，以及 AIC/BIC 信息准则，用于评估模型的拟合效果。 

2. 残差分析
# 绘制残差时间序列图
residuals = results.resid
plt.figure(figsize=(12, 6))
plt.plot(residuals)
plt.title('Residuals of SARIMA(1, 1, 1)(1, 1, 1, 12) Model')
plt.xlabel('Date')
plt.ylabel('Residuals')
plt.grid(True)
plt.show()

程序解释： 

  • 绘制 SARIMA 模型拟合后的残差时间序列图，观察残差的随机性和波动情况。如果残差表现为无趋势且围绕零线波动，则表明残差是白噪声。

程序的运行结果：

残差分析：残差时间序列图显示了 SARIMA 模型拟合后的残差。如果残差表现为随机波动且无显著趋势，则表明模型残差接近白噪声。

# 绘制残差的 ACF 图
plot_acf(residuals, lags=40)
plt.title('ACF of Residuals')
plt.show()

程序解释： 

  • 绘制残差的 ACF 图，检查残差的自相关性。如果残差的 ACF 图中没有显著的自相关性，说明残差符合白噪声的假设。

程序的运行结果：

残差的 ACF 图用于检查残差的自相关性，如果没有显著的自相关性，则残差可以被认为是白噪声。 

3. Ljung-Box 检验
# Ljung-Box 检验
ljung_box_results = acorr_ljungbox(residuals, lags=[10], return_df=True)
print("Ljung-Box Test Results:")
print(ljung_box_results)

程序解释： 

  • 使用 Ljung-Box 检验进一步确认残差是否为白噪声。Ljung-Box 检验的 p 值如果较大（通常大于 0.05），则无法拒绝原假设，表明残差无显著自相关性。

程序的运行结果：

Ljung-Box Test Results:
     lb_stat  lb_pvalue
10  6.182128   0.799737

 Ljung-Box 检验：Ljung-Box 检验的结果显示了残差的 p 值。如果 p 值较大（通常大于 0.05），则无法拒绝原假设，说明残差无显著自相关性，模型拟合效果较好。

4. 模型优化与对比
# 尝试不同的模型进行优化
model_alt = SARIMAX(data['Passengers'], order=(2, 1, 2), seasonal_order=(1, 1, 1, 12))
results_alt = model_alt.fit()

# 输出新的模型摘要
print("\nAlternative SARIMA(2, 1, 2)(1, 1, 1, 12) Model Summary:")
print(results_alt.summary())

程序解释： 

  • 尝试一个新的 SARIMA(2, 1, 2)(1, 1, 1, 12) 模型，并输出模型摘要信息。

程序的运行结果：

Alternative SARIMA(2, 1, 2)(1, 1, 1, 12) Model Summary:
                                      SARIMAX Results                                       
============================================================================================
Dep. Variable:                           Passengers   No. Observations:                  144
Model:             SARIMAX(2, 1, 2)x(1, 1, [1], 12)   Log Likelihood                -503.024
Date:                              Mon, 02 Sep 2024   AIC                           1020.048
Time:                                      20:28:01   BIC                           1040.174
Sample:                                  01-01-1949   HQIC                          1028.226
                                       - 12-01-1960                                         
Covariance Type:                                opg                                         
==============================================================================
                 coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------
ar.L1          0.4441      0.388      1.145      0.252      -0.316       1.204
ar.L2          0.3287      0.303      1.086      0.278      -0.265       0.922
ma.L1         -0.8352      0.402     -2.079      0.038      -1.623      -0.048
ma.L2         -0.1385      0.385     -0.359      0.719      -0.894       0.617
ar.S.L12      -0.8799      0.274     -3.213      0.001      -1.417      -0.343
ma.S.L12       0.7843      0.359      2.183      0.029       0.080       1.489
sigma2       124.5105     14.050      8.862      0.000      96.974     152.047
===================================================================================
Ljung-Box (L1) (Q):                   0.03   Jarque-Bera (JB):                12.42
Prob(Q):                              0.86   Prob(JB):                         0.00
Heteroskedasticity (H):               2.62   Skew:                             0.14
Prob(H) (two-sided):                  0.00   Kurtosis:                         4.48
===================================================================================

  • 模型优化与对比：尝试一个新的 SARIMA(2, 1, 2)(1, 1, 1, 12) 模型，并与原模型进行对比。

# 绘制新的模型残差时间序列图
residuals_alt = results_alt.resid
plt.figure(figsize=(12, 6))
plt.plot(residuals_alt)
plt.title('Residuals of SARIMA(2, 1, 2)(1, 1, 1, 12) Model')
plt.xlabel('Date')
plt.ylabel('Residuals')
plt.grid(True)
plt.show()

# 对新模型的残差进行 Ljung-Box 检验
ljung_box_results_alt = acorr_ljungbox(residuals_alt, lags=[10], return_df=True)
print("Ljung-Box Test Results for SARIMA(2, 1, 2)(1, 1, 1, 12):")
print(ljung_box_results_alt)

程序解释： 

  • 比较新旧模型的残差分析结果和 Ljung-Box 检验结果，以确定新的模型是否在残差方面有显著改善。

程序的运行结果：

Ljung-Box Test Results for SARIMA(2, 1, 2)(1, 1, 1, 12):
     lb_stat  lb_pvalue
10  5.775787   0.833736

 新模型的残差分析和 Ljung-Box 检验结果将显示新的模型在残差方面是否有改善，如果新模型的残差表现更接近白噪声，且 AIC/BIC 值更低，则表明新模型更优。

  • 三、结果分析
1. 残差分析与模型诊断
  • 通过残差时间序列图和 ACF 图，验证了 SARIMA 模型残差的白噪声性质。如果残差没有显著的自相关性，说明模型已经有效捕捉了时间序列中的季节性和趋势成分。
2. Ljung-Box 检验
  • Ljung-Box 检验结果表明残差无显著的自相关性，进一步证明模型残差是白噪声。通过这种统计检验，可以确认模型的拟合效果。
3. 模型的优化与调整
  • 通过调整 SARIMA 模型的参数 p, d, q, P, D, Q，可以进一步提升模型的拟合效果。新拟合的 SARIMA(2, 1, 2)(1, 1, 1, 12) 模型可能在 AIC/BIC 值和残差表现上优于原模型。

通过这次学习，您掌握了如何对 SARIMA 模型进行诊断与调整，包括残差分析、Ljung-Box 检验、参数调整等过程。这些步骤对于提高 SARIMA 模型的预测精度至关重要，有助于更好地捕捉时间序列数据中的季节性和趋势特征。

写代码的M教授
关注
专栏目录
Python中的SARIMAX模型
.
07-13 2499
在时间序列分析中，SARIMAX被广泛应用于预测未来的数值，这是一种具有内生（Endogenous）和外生（Exogenous）变量的自回归滑动平均模型。在上面的代码中，我们使用CO2数据集，创建了一个SARIMAX模型，其中order参数定义了SARIMAX的p、d、q值，而seasonal_order参数定义了季节性SARIMA的P、D、Q和s值。总之，SARIMAX模型是一个在时间序列分析中非常有用的工具，是每个数据科学家必须掌握的技能之一。最后，我们使用fit()方法进行模型训练，并打印出结果。
使用SARIMAX进行时间序列分析和预测（Python）
CyberNova的博客
09-07 952
需要注意的是，创建SARIMAX模型时，我们需要指定order参数和seasonal_order参数。在上述示例中，我们使用了(1, 0, 0)作为非季节性成分的阶数，使用了(1, 1, 1, 12)作为季节性成分的阶数。SARIMAX模型是ARIMA模型的扩展，它引入了季节性成分的考虑，使得我们可以处理具有明显季节性模式的数据。接下来，我们使用训练好的模型对测试集进行预测，并将预测结果与实际值进行可视化比较。通过调整模型的参数，我们可以提高预测的准确性，并为决策提供有价值的信息。
基于python的SARIMAX时间序列预测
04-28
1.时间序列预测简介 时间序列是在定期时间间隔内记录度量的序列。 根据频率，时间序列可以是每年（例如：年度预算），每季度（例如：支出），每周（例如：销售数量），每天（例如天气），每小时（例如：股票价格），分钟（例如：来电提示中的呼入电话），甚至是几秒钟（例如：网络流量）。那么ARIMA模型到底是什么？ ARIMA是一类模型，可以根据自身的过去值（即自身的滞后和滞后的预测误差）“解释”给定的时间序列，因此可以使用方程式预测未来价值。 任何具有模式且不是随机白噪声的“非季节性”时间序列都可以使用ARIMA模型进行建模。 ARIMA模型的特征在于3个项：p，d，q p是AR项 q是MA项 d是使时间序列平稳所需的差分数 如果时间序列具有季节性模式，则需要添加季节性条件，该时间序列将变成SARIMA（“季节性ARIMA”的缩写）。一旦完成ARIMA。 那么，“AR项的顺序”到底意味着什么？我们先来看一下“ d”。
python-利用SARIMA进行时间序列分析
qq_42333805的博客
08-19 1740
时间序列、SARIMA、差分、定阶、python
Python实现时间序列分析季节性自回归综合移动平均外生回归模型(SARIMAX算法)项目实战
张陈亚的博客
01-29 2260
Python实现时间序列分析季节性自回归综合移动平均外生回归模型(SARIMAX算法)项目实战
季节性时间序列分析-SARIMAX模型的python实现
热门推荐
weixin_38267719的博客
08-28 2万+
0 SARIMAX模型时间序列分析步骤 1.用pandas处理时序数据 2. 检验时序数据的平稳性 3. 将时序数据平稳化 4. 确定order 的 p.d.q值 5. 确定season_order的四个值 6.应用SARIMAX模型对时序数据进行预测 其实SARIMAX比ARIMA模型就多了个season_order参数的确定，但也是这里最费时间的一个步骤 1将数据转化成为...
SARIMA模型时间序列数据分析python代码
07-06
使用SARIMA模型进行时间序列数据分析 编程语言：python 代码编辑器：jupyter notebook 适合想了解SARIMA模型的大致流程以及代码实现的朋友
SARIMA-LSTM混合模型预测时间序列（Python）
05-25
在时间序列预测领域，SARIMA（季节性自回归整合滑动平均模型）和LSTM（长短期记忆网络）是两种广泛使用的模型。SARIMA主要用于处理具有趋势性和季节性的结构化数据，而LSTM是一种深度学习模型，擅长捕捉序列中的长期...
Python实现SARIMA时间序列预测（完整源码和数据)
04-03
1.Python实现SARIMA时间序列预测（完整源码和数据) anaconda + pycharm + python +Tensorflow 注意事项：保姆级注释，几乎一行一注释，方便小白入门学习！ 2.代码特点：参数化编程、参数可方便更改、代码编程思路...
时间序列分析及其Python实现：基础理论与应用案例
最新发布
11-02
主要内容包括时间序列的基本特性（趋势、季节性、周期性和随机性）、数据的可视化和预处理、平稳性检验、常见的预测模型（AR、MA、ARMA、ARIMA、SARIMA、状态空间模型、VAR、LSTM、Prophet等）的原理及其实现方法。...
SARIMAX-MARKETING-MIXED-MODEL:SARIMAX for Marketing混合模型的Python实现，该模型从SQL读取数据并通过包含外部变量来生成图和结果
05-01
SARIMAX标记混合模型 SARIMAX for Marketing混合模型的Python实现，该模型从SQL读取数据并通过包含外部变量来生成图和结果
Python实现SARIMA-LSTM季节性差分自回归移动平均模型结合长短期记忆神经网络时间序列预测（完整源码和数据)
02-17
Python实现SARIMA-LSTM季节性差分自回归移动平均模型结合长短期记忆神经网络时间序列预测（完整源码和数据) 1.Python实现SARIMA-LSTM季节性差分自回归移动平均模型结合长短期记忆神经网络时间序列预测（完整源码和...
Python数据分析案例-分别使用时间序列ARIMA、SARIMAX模型与Auto ARIMA预测国内汽车月销量
maiyida123的博客
06-17 1万+
分别使用ARIMA、SARIMAX与Auto ARIMA来预测国内未来一年的乘用车月销量。
Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测
拓端研究室TRL
01-02 2859
时间序列是在定期时间间隔内记录度量的序列。根据频率，时间序列可以是每年（例如：年度预算），每季度（例如：支出），每周（例如：销售数量），每天（例如天气），每小时（例如：股票价格），分钟（例如：来电提示中的呼入电话），甚至是几秒钟（例如：网络流量）。那么ARIMA模型到底是什么？ARIMA是一类模型，可以根据自身的过去值（即自身的滞后和滞后的预测误差）“解释”给定的时间序列，因此可以使用方程式预测未来价值。任何具有模式且不是随机白噪声的“非季节性”时间序列都可以使用ARIMA模型进行建模。
用Python实现时间序列模型实战——Day 8: 季节性ARIMA模型 (SARIMA)
qq_41698317的博客
09-02 2662
SARIMA 模型SARIMA 模型是扩展了 ARIMA 模型的一种方法，全称为季节性自回归积分滑动平均模型（Seasonal AutoRegressive Integrated Moving Average）。它结合了 ARIMA 模型的非季节性部分和季节性成分，用于处理具有季节性模式的时间序列数据。SARIMA 模型可以表示为是时间的观察值。是非季节性自回归多项式，阶数为。是季节性自回归多项式，阶数为。是非季节性移动平均多项式，阶数为。是季节性移动平均多项式，阶数为。
Python用ARIMA和SARIMA模型预测销量时间序列数据
拓端研究室TRL
09-01 877
全文链接：http://tecdat.cn/?p=21573在本文中，ARIMA模型是时间序列预测中一种常用的统计方法。指数平滑和ARIMA模型是时间序列预测中应用最为广泛的两种方法，它们是解决这一问题的补充方法。指数平滑模型是基于对数据趋势和季节性的描述，而ARIMA模型则是为了描述数据的自相关性。相关视频介绍在讨论ARIMA模型之前，我们先来讨论平稳性的概念和时间序列的差分技术。平稳性平稳时间...
调参简例：SARIMA模型_手工调参过程
htuhxf的博客
06-04 1万+
背景：SARIMA，简单说就是AR+MA+差分+季节性因素+趋势。所以参数在statsmodels.tsa.statespace.sarimax.SARIMAX里边，用3个指标涵盖核心参数，order(p,d,q)、seasonal_order(P,D,Q,s)和trend. Seasonal AutoRegessive Integrated Moving Average with eXogenous regessors model 一、步骤的文字描述： """准备阶段""" # 第一、定义一个待传入参.
时间序列模型笔记（二）
TravelLight92的博客
05-15 899
接上文笔记（一），建议先看上文，上文我们讲述了时间序列基本知识，ARIMA等本文主要是（1）SARIMA（2）自动、手动确定参数（3）一些其他需要注意的点；
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