ARIMA模型: plot_diagnostics，我们的模型残差的含义是什么
ARIMA模型: plot_diagnostics，我们的模型残差的含义是什么
提问于 2017-05-29 15:19:27
我正在使用以下教程学习ARIMA模型：https://www.digitalocean.com/community/tutorials/a-guide-to-time-series-forecasting-with-arima-in-python-3#step-5-—-fitting-an-arima-time-series-model
在我用步骤5对模型进行拟合之后--用以下代码拟合ARIMA时间序列模型：
mod = sm.tsa.statespace.SARIMAX(y,
order=(1, 1, 1),
seasonal_order=(1, 1, 1, 12),
enforce_stationarity=False,
enforce_invertibility=False)
results = mod.fit()
print(results.summary().tables[1])和情节
results.plot_diagnostics(figsize=(15, 12))
plt.show()我不知道这是什么意思:我们的模型的残差是不相关的，正态分布为零均值。我想知道模型中的剩余值是什么，即剩余值是真值和预测值之间的差额。
为什么enforce_stationarity是假的，因为ARIMA模式需要数据的平稳性，enforce_stationarity和enforce_invertibility的含义是什么？
enforce_stationarity=False,
enforce_invertibility=False如果可能的话，你能详细解释一下。谢谢!
回答 1
Stack Overflow用户
回答已采纳
发布于 2017-05-29 15:36:16
残差确实是真实值和预测值之间的差别。如果残差之间存在相关性--残差中还留有信息，则应在计算预测时使用这些信息。如果残差的平均值不是零，那么预测是有偏差的。例如，如果我们有一个不断增长的残余物(. -0.3，-0.2，0.1，0，0.1，0.2，0.3，.以此类推，平均值将是0)，这意味着我们的模型没有完全描述这个过程。
参数:如果您查看包文档，您将看到这些参数用于执行平稳性或可逆性。如果数据是平稳的，并且AR参数被正确选择(既然您应该做一些以前的数据预处理)，我们为什么还要再做一次呢？同样代表可逆性。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/44245855
复制相关文章
相似问题
腾讯云开发者
