时间序列基础操作：使用python与eviews对AR与ARMA模型进行定阶与预报

一睡不起的曲奇

已于 2023-10-23 19:31:42 修改

阅读量1.4w

点赞数 29

分类专栏：希望它早日平稳的时间序列文章标签： ar python

于 2022-11-17 16:54:38 首次发布

本文链接：https://blog.csdn.net/qq_59613072/article/details/127867440

版权

一般处理时间序列的基本过程：（无季节趋势）

注：上图中LB检验的统计量纠正：n*(n+2)，而不是n*(n-2)

几种基础时间序列模型（模型的具体形式补充见文末）：

一、Python处理

1.1.step1：平稳性检验与白噪音检验

1.1.1平稳性检验：ADF检验

1.1.2差分修正：

1.1.3白噪音检验：L-B统计量/Q统计量

1.2.step2：模型识别与定阶

1.2.1法一：观察ACF与PACF的拖尾与截尾

2.1.step1：平稳性检验与白噪音检验

以《应用时间序列分析》王燕，第四版中p94-p96页中17题数据为例

基础介绍：

一、Python处理

重点参考文章：

时间序列模型（ARIMA和ARMA）完整步骤详述_Foneone的博客-CSDN博客_arma_order_select_ic

1.1.step1：平稳性检验与白噪音检验

首先可以绘制线图直接观察数据走势粗略判断平稳性，既无趋势也无周期；

df.plot(color='blue',title='data-17') #绘制时间序列的线图

1.1.1平稳性检验：ADF检验

· 检验假设：H0：存在单位根 vs H1：不存在单位根

如果序列平稳，则不应存在单位根，所以我们希望能拒绝原假设

· python代码：adfuller

from statsmodels.tsa.stattools import adfuller
adftest = adfuller(x, autolag='AIC')  #ADF检验

检验结果如下：

adftest[0]：ADF检验的t值； adftest[1]：ADF检验的t值的p值； adftest[4：6]：ADF检验对应三个置信度（1%，5%，10%）的t值，可以直接将 adftest[0]与这三个值做比较；

由本输出结果来看-5.7185显著小于后面三个t值，且p值接近为0，因而在1%的显著水平下拒绝原假设，认为该序列平稳；

1.1.2差分修正：

若不平稳可以考虑做差分运算修正为平稳序列。若差分后平稳，则对原序列建立ARIMA模型。

· python代码：timeseries.diff( )

#### 差分运算
def diff(timeseries):
    d1_sale=timeseries.diff(periods=1).dropna()#dropna删除NaN
    d1_sale.plot(color='orange',title='diff1')
    return d1_sale

1.1.3白噪音检验：L-B统计量/Q统计量

· 检验假设与统计量：

（上图a.中的“残差”应当替换为“序列”）通常m取【n/10】or【根号n】若观测量较小也可以取【n/4】；若拒绝原假设则认为不是白噪音检验

· python代码：acorr_ljungbox

from statsmodels.stats.diagnostic import acorr_ljungbox #白噪声检验
test_value = acorr_ljungbox(timeseries, lags=1)

检验结果如下：

test_value[1]为p值，所以可以在5%的显著水平下认为该序列不是一个白噪音序列

1.2.step2：模型识别与定阶

1.2.1法一：观察ACF与PACF的拖尾与截尾

· python代码：

plot_acf(timeseries,lags) #lags：延迟阶数

plot_pacf(timeseries,lags)

import statsmodels.api as sm
from statsmodels.graphics.tsaplots import plot_acf,plot_pacf
def determinate_order_acf(timeseries):  
    plot_acf(timeseries,lags=30) #自己定延迟数
    plot_pacf(timeseries,lags=30)
    plt.show()

输出结果如下：