Question

我刚开始使用statsmodels进行时间序列分析。我有一个包含日期和值的数据集（大约3个月）。我正面临着为ARIMA模型提供正确订单的一些问题。我希望调整趋势和季节性，然后计算异常值。

我的'价值'并非固定不变，statsmodel表示我必须要求平稳性或提供一些差异才能使其发挥作用。我玩了不同的顺序（没有深入了解改变p，q和d的后果）。

当我为差异引入1时，我收到此错误：

ValueError: The start index -1 of the original series has been differenced away

当我通过将订单作为（例如）order =（2,0,1）来删除差异时，我收到这个错误：

    raise ValueError("The computed initial AR coefficients are not "
ValueError: The computed initial AR coefficients are not stationary
You should induce stationarity, choose a different model order, or you can
pass your own start_params.
>>>

任何有关如何诱导平稳性（或指向精彩教程的链接）的帮助都会有所帮助。而且，平稳性测试（如http://www.maths.bris.ac.uk/~guy/Research/LSTS/TOS.html）也很有用。

更新：我正在阅读ADF测试：

http://statsmodels.sourceforge.net/stable/generated/statsmodels.tsa.stattools.adfuller.html

谢谢！ PD。

Answer 1

诱导平稳性：

去季节化（去除季节性）
de-trend（删除趋势）

有几种方法可以实现时间序列的平稳性 - Box-Cox族的变换，差分等，方法的选择取决于数据。以下是常用的常用测试。

测试平稳性： 1.增强Dickey-Fuller测试 2. KPSS测试KPSS python code

Answer 2

您可以使用R脚本代替statmodels。 R对统计估计更有效。

如果你想使用python，你可以通过os接口从python运行R-script：

例如用于arima估计的R脚本＆＃34; arimaestimation.r＆＃34;：

library(rjson)

args <- commandArgs(trailingOnly=TRUE)

jsonstring = ''

for(i in seq(0, length(args))) {
    if ( length(args[i]) && args[i]=='--jsondata' ) {
        jsonstring = args[i+1]
    }
}

jsonobject = fromJSON(jsonstring)
data = as.numeric(unlist(jsonobject['data']))
p = as.numeric(unlist(jsonobject['p']))
d = as.numeric(unlist(jsonobject['d']))
q = as.numeric(unlist(jsonobject['q']))

estimate = arima(data, order=c(p, d, q))

phi = c()
if (p>0) {
    for (i in seq(1, p)) {
        phi = c(phi, as.numeric(unlist(estimate$coef[i])))
    }
}
theta = c()
if (p+1 <= p+q) {
    for (i in seq(p+1, p+q)) {
        theta = c(theta, as.numeric(unlist(estimate$coef[i])))
    }
}
if (d==0) {
    intercept = as.numeric(unlist(estimate$coef[p+q+1]))
} else {
    intercept = 0.0
}

if (length(phi)) {
    if (length(phi)==1) {
        phi = list(phi)
    }
} else {
    phi = list()
}

if (length(theta)) {
    if (length(theta)==1) {
        theta = list(-1 * theta)
    } else {
        theta = -1 * theta
    }
} else {
    theta = list()
}

arimapredict = predict(estimate, n.ahead = 12)
prediction = as.numeric(unlist(arimapredict$pred))
predictionse = as.numeric(unlist(arimapredict$se))

response = list(phi=phi,
                theta=theta,
                intercept=intercept,
                sigma2=estimate$sigma2,
                aic=estimate$aic,
                prediction=prediction,
                predictionse=predictionse)

cat(toJSON(response))

通过json界面用python打电话给他：

Rscript arima/arimaestimate.r --jsondata '{"q": 2, "p": 2, "data": [247.0, 249.0, 213.0, 154.0, 122.0, 164.0, 141.0, 174.0, 281.0, 141.0, 159.0, 168.0, 243.0, 261.0, 211.0, 303.0, 308.0, 239.0, 237.0, 185.0], "d": 1}'

你得到了答案：

{
    "phi": [],
    "theta": [
        0.407851844478153
    ],
    "intercept": 0,
    "sigma2": 3068.29837379914,
    "aic": 210.650287294343,
    "prediction": [
        210.184175597721,
        210.184175597721,
        210.184175597721,
        210.184175597721,
        210.184175597721,
        210.184175597721,
        210.184175597721,
        210.184175597721,
        210.184175597721,
        210.184175597721,
        210.184175597721,
        210.184175597721
    ]
}

Python Statsmodel ARIMA开始[平稳性]

2 个答案: