Statsmodel ARIMA 预测不匹配答案

【问题标题】：Statsmodel ARIMA prediction mismatchStatsmodel ARIMA 预测不匹配
【发布时间】：2015-06-29 17:40:25
【问题描述】：

我已经编写了以下代码来使用统计模型的 ARIMA 预测数据，但我的结果与实际数据不匹配，并且在最初的几次预测后，预测值变得几乎恒定，在图上给出了一条直线水平线。

如果由于我使用了 d=2 而预测是二阶差分顺序，我如何才能获得同一模型的原始数据的预测。

arima_mod = sm.tsa.ARIMA(df, (1,2,0)).fit()
print(arima_mod.params)
print(arima_mod.summary())
predict_workshop = arima_mod.predict('2011-04-01', '2011-05-30',dynamic=True)
print(predict_workshop)

实际数据

2011-04-01      356.839  
2011-04-02      363.524  
2011-04-03      332.864  
2011-04-04      336.228  
2011-04-05      264.749  
2011-04-06      321.212  
2011-04-07      384.382  
2011-04-08      273.250  
2011-04-09      307.062  
2011-04-10      326.247  
2011-04-11      222.521  
2011-04-12      135.326  
2011-04-13      374.953  
2011-04-14      329.583  
2011-04-15      358.853  
2011-04-16      343.169  
2011-04-17      312.086  
2011-04-18      339.302  
2011-04-19      300.534  
2011-04-20      367.166  
2011-04-21      178.670  
2011-04-22      320.823  
2011-04-23      349.995  
2011-04-24      323.120  
2011-04-25      331.665  
2011-04-26      352.993  
2011-04-27      359.253  
2011-04-28      308.281  
2011-04-29      329.357  
2011-04-30      301.873

预测值

2011-04-01   -50.693560  
2011-04-02    30.715553  
2011-04-03   -19.081318  
2011-04-04    11.378766  
2011-04-05    -7.253263  
2011-04-06     4.143701  
2011-04-07    -2.827670  
2011-04-08     1.436625  
2011-04-09    -1.171787  
2011-04-10     0.423744  
2011-04-11    -0.552221  
2011-04-12     0.044764  
2011-04-13    -0.320404  
2011-04-14    -0.097036  
2011-04-15    -0.233667  
2011-04-16    -0.150092  
2011-04-17    -0.201214  
2011-04-18    -0.169943  
2011-04-19    -0.189071  
2011-04-20    -0.177371  
2011-04-21    -0.184528  
2011-04-22    -0.180150  
2011-04-23    -0.182828  
2011-04-24    -0.181190  
2011-04-25    -0.182192  
2011-04-26    -0.181579  
2011-04-27    -0.181954  
2011-04-28    -0.181724  
2011-04-29    -0.181865  
2011-04-30    -0.181779

【问题讨论】：

查看predict 的文档字符串，看看是否不能回答您的问题。至于预测变得恒定，这在 ARMA 模型中是预期的。如果过程稳定，预测会收敛到长期预期值。
据我所知，使用 diff=2 进行预测的修复还没有在 statsmodels 的发布版本中，它在 master 中。 github.com/statsmodels/statsmodels/pull/2014

标签： python time-series statsmodels

【解决方案1】：

一点提示。您应该在周期 11、12、21 中包含一个虚拟干预变量。这个模型不需要加倍差分。只需一个截距和 3 个干预变量即可。 Y(T) = 332.20
+[X1(T)][(- 196.87 )] :PULSE 12 +[X2(T)][(- 153.53 )] :PULSE 21 +[X3(T)][(- 109.68 )] :脉冲 11 + + [A(T)]

【讨论】：

对不起，我没听懂。能否请您提供更多信息。
Vinay，在干预点创建 3 个零和 1 的因果变量。您并不总是在建模中使用内存。有时确定性变量（即逐步回归）是解决问题的好方法。