自回归模型预测衰减到平坦线答案

【问题标题】：Auto-regressive model prediction decays to flatline自回归模型预测衰减到平坦线
【发布时间】：2015-08-08 17:02:40
【问题描述】：

抱歉，如果这是一个简单的问题/错误，但是当我尝试使用 statsmodels.tsa AR 预测时间序列时，预测会很快超过我拥有的数据。这不取决于模型的顺序或用于拟合 AR 模型的数据长度。

我做错了什么？

from statsmodels.tsa.ar_model import AR
section1 = data[0:800]-np.mean(data[0:800])
plt.plot(section1)

x = AR(section1)
y = x.fit(5)
z = y.predict(10,1500)
plt.plot(z)

【问题讨论】：

【解决方案1】：

没有错。这就是预测收敛于均值的平稳 ARMA 过程的行为。

如果您有固定的季节性，那么您可以在季节性滞后处区分时间序列，即使用 SARIMA，预测将收敛到固定的季节性结构。

如果您有解释变量，则平稳 ARMAX 的预测将收敛到 X 变量给出的平均值。

【讨论】：

好的，谢谢。那么，也许我在使用 AR 模型时有错误的想法？我想将 2 个模型拟合到 2 个不同的时间序列，并为每个模型获取一组 AR 系数。然后，我想采用第三个时间序列并计算其中的数据点由两个 AR 系数集中的每一个生成的概率。然后，我将能够根据概率将第三个时间序列分类为更“像”第一个或第二个模型。但是，作为“眼球”测试，我希望能够从每个 AR 模型中生成“假”数据，以查看我选择的时间序列类型。
对不起，我没有完全理解你的回答。 - 因此包含我想要的内容的迂回回复。
如果你想模拟来自 ARMA 过程的数据，那么你需要噪声或冲击来“反弹”时间序列。 statsmodels.tsa 中有一个 generate_arma_sample 函数。
好的，我将看看使用与 AR 相对的 ARMA 来拟合然后预测 - 因为我找不到 generate_ar_sample 函数。我想使用 AR，因为这个概念看起来更简单，也更容易理解！除了 statsmodels 中模拟功能的便利性之外，ARMA 是否为此类数据建模提供了显着优势？
我没记错名字。 statsmodels.sourceforge.net/devel/examples/notebooks/generated/… arma_generate_sample 可用于模拟纯 AR 过程，如果 ma 设置为 [1]，即多项式中没有滞后系数。