Statsmodels ARIMA - 使用预测（）和预测（）

我会用（Statsmodels）ARIMA，以便从一系列的预测值不同的结果：Statsmodels ARIMA - 使用预测（）和预测（）

plt.plot(ind, final_results.predict(start=0 ,end=26)) 
plt.plot(ind, forecast.values) 
plt.show()

我认为我会得到相同的结果从这两幅图，而是我得到这个：

我想知道，如果问题是否有关预测或预测

来源

2017-08-09 Simone

从图表中看起来好像您正在执行带有forecast()的样本外预测，位样本预测与预测。根据ARIMA方程的性质，在长期预测期间，样本外预测倾向于收敛于样本均值。

为了找出forecast()和predict()如何适用于不同的场景，我系统地比较了ARIMA_results类中的各种模型。随意重现与statsmodels_arima_comparison.pyin this repository的比较。我研究了order=(p,d,q)的每个组合，只将p, d, q限制为0或1.例如，可以使用order=(1,0,0)获得简单的自回归模型。简而言之，我看了三个选项，使用以下内容(stationary) time series：

A.迭代样本内预测形成一个历史记录。历史由前80％的时间序列组成，测试集由最后的20％组成。然后我预测了测试集的第一个点，为历史添加了真实值，预测了第二个点等等。这应该对模型预测质量进行评估。

for t in range(len(test)): 
    model = ARIMA(history, order=order) 
    model_fit = model.fit(disp=-1) 
    yhat_f = model_fit.forecast()[0][0] 
    yhat_p = model_fit.predict(start=len(history), end=len(history))[0] 
    predictions_f.append(yhat_f) 
    predictions_p.append(yhat_p) 
    history.append(test[t])

B.接下来，我看着出的样本外预测通过反复预测测试系列的下一个点，并追加这个预测的历史。

for t in range(len(test)): 
    model_f = ARIMA(history_f, order=order) 
    model_p = ARIMA(history_p, order=order) 
    model_fit_f = model_f.fit(disp=-1) 
    model_fit_p = model_p.fit(disp=-1) 
    yhat_f = model_fit_f.forecast()[0][0] 
    yhat_p = model_fit_p.predict(start=len(history_p), end=len(history_p))[0] 
    predictions_f.append(yhat_f) 
    predictions_p.append(yhat_p) 
    history_f.append(yhat_f) 
    history_f.append(yhat_p)

C.我用forecast(step=n)参数和predict(start, end)参数，以便做内部多步预测使用这些方法。

model = ARIMA(history, order=order) 
    model_fit = model.fit(disp=-1) 
    predictions_f_ms = model_fit.forecast(steps=len(test))[0] 
    predictions_p_ms = model_fit.predict(start=len(history), end=len(history)+len(test)-1)

原来：

A.预测和预测AR产量相同的结果，但对于ARMA不同的结果：test time series chart

B.预测和预测产生不同的结果两者AR和ARMA：test time series chart

C.预测和预测AR产量相同的结果，但不同的结果为ARMA：test time series chart

此外，比较在B.和C.中看似相同的方法，我在结果中发现了细微但明显的差异。

我认为这种差异主要来源于forecast()和predict()的“预测在原始内生变量的水平上完成”这一事实产生的水平差异预测（compare the API reference）。另外，由于我比stat简单的迭代预测循环（这是主观的）更信任statsmodels函数的内部功能，所以我推荐使用forecast(step)或predict(start, end)。

来源

2018-02-16 20:58:17 noteven2degrees

Statsmodels ARIMA - 使用预测（）和预测（）

回答

相关问题