python实现时间序列预测_【时间序列分析】ARMA预测GDP的python实现

最近看时间序列，由于统计学知识的薄弱，略感吃力。

作为码农，自然有“纸上得来终觉浅，绝知此事要coding“的思想。因此做了一个ARMA的例子，将建模流程过一遍，旨在加深理解，预测准确性并不是主要目的。

一.数据获取与加工

1.引入所用到的库

2.获取GDP数据并重新排序

3.转为Series

二.数据平稳化

1.定义单位根检验的函数

拿到时间序列数据后，要进行平稳性检验，主要有两种方法：肉眼检验法和单位根检验法。

肉眼优点是简单省事，但是缺点是不准确，不通用。肉眼检验主要看看序列图、ACF、PACF。

ARMA公式其实是一个随机差分方程，序列要平稳，那方程的解应该在单位圆内，或者对应的逆特征方程的特征根在单位圆外。

根据时间序列的一般特性，方程的解不太可能落在单位元外。因为如果在单位圆外，意味着历史数据的影响随着时间的增加而变大。现实中基本不会有这样的情况。因此，不在圆上，就在圆内，只需要检验是否落在单位圆上即可，这就是单位根检验。

落在单位圆上，是单位根，序列不平稳(H0)；否则序列平稳。单位根检验常用Augmented Dickey-Fuller test来做，本例也是用这个方法。另外，下函数还绘制了滑动的均值和方差。

2.原序列检验

p-value很大，不能拒绝原假设。但是我们能看出序列应该是指数函数，因此取log后再检验。

3.进行log后的序列检验

p-value也