时间序列预测-ARMA实战

一本正经地敲代码

已于 2022-01-31 11:08:13 修改

阅读量8.1k

点赞数 7

分类专栏： python 时间序列分析文章标签：数据挖掘数据分析 python 时序数据库 arma

于 2022-01-30 13:23:49 首次发布

本文链接：https://blog.csdn.net/qq_45066982/article/details/122750324

版权

ARMA中文全称为自回归移动平均模型，广泛用于时间时间序列分析中。本文以statsmodels 模块中自带数据集co2为例，实战研究ARMA模型。
一、探索性数据分析。
首先导入必要的package与数据集

from statsmodels.datasets import co2
data=co2.load(as_pandas=True).data
print(data)

得到的data为DataFrame 格式的格式，数据结构为2284行，1列。
在这里插入图片描述
对数据进行可视化，这里用pandas 的画图方法，能较好地显示横坐标，个人感觉比plt.plot()好用。

data.plot()
plt.show()

在这里插入图片描述
这里看到两个信息：1、数据并不是以天为单位，所以画出的图中存在间断点，2、数据本身存在周期与趋势。
解决办法是先做一个数据上采样，将数据转变为月度平均，然后做一个12阶滞后的差分，消除趋势与周期

data=data.resample('M').mean().ffill()#均值上采样，用前项填充法填充缺失值
data_diff=data.diff(12).dropna()#12阶差分，删掉缺失值
print(data_diff.head(10))

输出前10 条数据，1958年3月份-1959年2月份的12条数据由于缺失被删除了，所以差分后的数据从1959年3月份开始。
在这里插入图片描述
画图检验12阶差分后数据的平稳性，平不平稳不敢说，至少比原始数据要好。

data_diff.plot()
plt.show()

在插入图片描述
所以我们用更为严格的方法来说明问题，这里用单位根检验(ADF)把原始数据和差分后数据均检验了一遍。原始数据P值为0.99，大于0.05，拒绝数据平稳的假设；差分后数据通过平稳性检验。

from statsmodels.tsa.stattools import adfuller#导入tsa.stattools中的ADF
print("12阶差分数据单位根检验的P值",adfuller(data_diff)[1])