Statsmodels ARIMA - 使用預測（）和預測（）

我會用（Statsmodels）ARIMA，以便從一系列的預測值不同的結果：Statsmodels ARIMA - 使用預測（）和預測（）

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

我認爲我會得到相同的結果從這兩幅圖，而是我得到這個：

我想知道，如果問題是否有關預測或預測

來源

2017-08-09 Simone

從圖表中看起來好像您正在執行帶有forecast()的樣本外預測，位樣本預測與預測。根據ARIMA方程的性質，在長期預測期間，樣本外預測傾向於收斂於樣本均值。

爲了找出forecast()和predict()如何適用於不同的場景，我係統地比較了ARIMA_results類中的各種模型。隨意重現與statsmodels_arima_comparison.pyin this repository的比較。我研究了order=(p,d,q)的每個組合，只將p, d, q限制爲0或1.例如，可以使用order=(1,0,0)獲得簡單的自迴歸模型。簡而言之，我看了三個選項，使用以下內容(stationary) time series：

A.迭代樣本內預測形成一個歷史記錄。歷史由前80％的時間序列組成，測試集由最後的20％組成。然後我預測了測試集的第一個點，爲歷史添加了真實值，預測了第二個點等等。這應該對模型預測質量進行評估。

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.接下來，我看着出的樣本外預測通過反覆預測測試系列的下一個點，並追加這個預測的歷史。

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)參數和predict(start, end)參數，以便做內部多步預測使用這些方法。

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)

原來：

A.預測和預測AR產量相同的結果，但對於ARMA不同的結果：test time series chart

B.預測和預測產生不同的結果兩者AR和ARMA：test time series chart

C.預測和預測AR產量相同的結果，但不同的結果爲ARMA：test time series chart

此外，比較在B.和C.中看似相同的方法，我在結果中發現了細微但明顯的差異。

我認爲這種差異主要來源於forecast()和predict()的「預測在原始內生變量的水平上完成」這一事實產生的水平差異預測（compare the API reference）。另外，由於我比stat簡單的迭代預測循環（這是主觀的）更信任statsmodels函數的內部功能，所以我推薦使用forecast(step)或predict(start, end)。

來源

2018-02-16 20:58:17 noteven2degrees

Statsmodels ARIMA - 使用預測（）和預測（）

回答

相關問題