這篇文章主要介紹使用python中statsmodels模塊擬合ARIMA模型的示例，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

專注于為中小企業(yè)提供網(wǎng)站制作、成都做網(wǎng)站服務(wù),電腦端+手機端+微信端的三站合一,更高效的管理,為中小企業(yè)武城免費做網(wǎng)站提供優(yōu)質(zhì)的服務(wù)。我們立足成都，凝聚了一批互聯(lián)網(wǎng)行業(yè)人才，有力地推動了成百上千企業(yè)的穩(wěn)健成長，幫助中小企業(yè)通過網(wǎng)站建設(shè)實現(xiàn)規(guī)模擴充和轉(zhuǎn)變。

導(dǎo)入必要包和模塊

from scipy import statsimport pandas as pdimport matplotlib.pyplot as pltimport statsmodels.api as smfrom statsmodels.tsa.arima.model import ARIMAfrom statsmodels.graphics.tsaplots import plot_predict
plt.rcParams['font.sans-serif']=['simhei']#用于正常顯示中文標(biāo)簽plt.rcParams['axes.unicode_minus']=False#用于正常顯示負(fù)號

1.讀取數(shù)據(jù)并畫圖

data=pd.read_csv('數(shù)據(jù)/客運量.csv',index_col=0)data.index = pd.Index(sm.tsa.datetools.dates_from_range('1949', '2008'))#將時間列改為專門時間格式，方便后期操作data.plot(figsize=(12,8),marker='o',color='black',ylabel='客運量')#畫圖

#本文所使用的客流量時間序列數(shù)據(jù)：https://download.csdn.net/download/weixin_45590329/14143811
#時間序列折線圖如下所示，顯然數(shù)據(jù)有遞增趨勢，初步判斷數(shù)據(jù)不平穩(wěn)

2.平穩(wěn)性檢驗

sm.tsa.adfuller(data,regression='c')sm.tsa.adfuller(data,regression='nc')sm.tsa.adfuller(data,regression='ct')

進行三種形式的ADF單位根檢驗，如部分結(jié)果所示，發(fā)現(xiàn)序列不平穩(wěn)

3.對數(shù)據(jù)作一階差分處理

diff=data.diff(1)diff.dropna(inplace=True)diff.plot(figsize=(12,8),marker='o',color='black')#畫圖

作出數(shù)據(jù)一階差分后折線圖，初步判斷平穩(wěn)

4.對一階差分?jǐn)?shù)據(jù)進行平穩(wěn)性檢驗

sm.tsa.adfuller(diff,regression='c')sm.tsa.adfuller(diff,regression='nc')sm.tsa.adfuller(diff,regression='ct')

如圖所示，說明序列平穩(wěn)

5.確定ARIMA（p,d,q）階數(shù)

fig = plt.figure(figsize=(12,8))ax1 = fig.add_subplot(211)fig = sm.graphics.tsa.plot_acf(diff.values.squeeze(), lags=12, ax=ax1)#自相關(guān)系數(shù)圖1階截尾,決定MA（1）ax2 = fig.add_subplot(212)fig = sm.graphics.tsa.plot_pacf(diff, lags=12, ax=ax2)#偏相關(guān)系數(shù)圖1階截尾,決定AR（1）

根據(jù)自相關(guān)系數(shù)圖ACF和偏自相關(guān)系數(shù)圖PACF，將原始數(shù)據(jù)確定為ARIMA（1,1,1）模型

6.參數(shù)估計

model = ARIMA(data, order=(1, 1, 1)).fit()#擬合模型model.summary()#統(tǒng)計信息匯總#系數(shù)檢驗params=model.params#系數(shù)tvalues=model.tvalues#系數(shù)t值bse=model.bse#系數(shù)標(biāo)準(zhǔn)誤pvalues=model.pvalues#系數(shù)p值#繪制殘差序列折線圖resid=model.resid#殘差序列fig = plt.figure(figsize=(12,8))ax = fig.add_subplot(111)ax = model.resid.plot(ax=ax)#計算模型擬合值fit=model.predict(exog=data[['TLHYL']])

7.模型檢驗

#8.1.檢驗序列自相關(guān)sm.stats.durbin_watson(model.resid.values)#DW檢驗：靠近2——正常；靠近0——正自相關(guān)；靠近4——負(fù)自相關(guān)#8.2.AIC和BIC準(zhǔn)則model.aic#模型的AIC值model.bic#模型的BIC值#8.3.殘差序列正態(tài)性檢驗stats.normaltest(resid)#檢驗序列殘差是否為正態(tài)分布#最終檢驗結(jié)果顯示無法拒絕原假設(shè)，說明殘差序列為正態(tài)分布，模型擬合良好#8.4.繪制殘差序列自相關(guān)圖和偏自相關(guān)圖fig = plt.figure(figsize=(12,8))ax1 = fig.add_subplot(211)fig = sm.graphics.tsa.plot_acf(resid.values.squeeze(), lags=12, ax=ax1)ax2 = fig.add_subplot(212)fig = sm.graphics.tsa.plot_pacf(resid, lags=12, ax=ax2)#如果兩圖都零階截尾，這說明模型擬合良好

8.預(yù)測

#預(yù)測至2016年的數(shù)據(jù)。由于ARIMA模型有兩個參數(shù)，至少需要包含兩個初始數(shù)據(jù)，因此從2006年開始預(yù)測predict = model.predict('2006', '2016', dynamic=True)print(predict)#畫預(yù)測圖及置信區(qū)間圖fig, ax = plt.subplots(figsize=(10,8))fig = plot_predict(model, start='2002', end='2006', ax=ax)legend = ax.legend(loc='upper left')

以上是“使用python中statsmodels模塊擬合ARIMA模型的示例”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！

本文題目：使用python中statsmodels模塊擬合ARIMA模型的示例-創(chuàng)新互聯(lián)
網(wǎng)站地址：http://weahome.cn/article/sheed.html