이 hands-on 튜토리얼에서,우리는 것입니다 덮개의 주제는 시계열 모델링으로 자동 회귀 프로세스입니다.또한,우리는 이동 평균 프로세스의 효과를 취소합니다.마지막으로 10,000 개의 데이터 포인트를 생성합니다.우리는 시계열을 그릴 수 있습니다.:

plt.figure(figsize=); # Set dimensions for figure
plt.plot(simulated_AR2_data)
plt.title("Simulated AR(2) Process")
plt.show()

And you should get something similar to this:

Now, let’s take a look at the autocorrelation plot (correlogram):2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 당신은 계수가 천천히 부패 것을 볼 수 있습니다. 즉,이동 평균 프로세스 가능성은 낮으며 시계열이 자동 회귀 프로세스로 모델링 될 수 있음을 의미합니다(이는 우리가 시뮬레이션 한 이후 의미가 있습니다).그런 다음 시계열을 시각화 할 수 있습니다.:

Now, looking at the PACF and ACF:

plot_pacf(simulated_AR3_data);
plot_acf(simulated_AR3_data);

You see that the coefficients are not significant after lag 3 for the PACF function as expected.

Finally, let’s use the Yule-Walker equation to estimate the coefficients:2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 1 일,2015 년 12 월 다시 말하지만,추정치는 실제 값에 상당히 가깝습니다.이제 프로젝트 설정에서 자동 회귀 프로세스에 대한 지식을 적용 할 수 있습니다.1960 년에서 1980 년 사이에 존슨 회사의 분기 별 주당 순이익을 모델링하는 것이 목표입니다.2015 년 11 월 15 일(토)~2015 년 12 월 15 일(일)~2015 년 12 월 15 일(일)~2015 년 12 월 15 일(일)~2015 년 12 월 15 일(일)~2015 년 12 월 15 일(일)~2015 년 12 월 15 일(일)~2015 년 12 월 15 일(일)~2015 년 12 월 15 일(일)~2015 년 12 월 15 일(일)~2015 년 12 월 15 일(일)~2015 년 12 월 15 일(일)~2015 년 12 월 15 일(일)~2015 년 12 월 15 일(일)~2015 년 12 월 15 일(일)~2015 년 12 월 15 일(일)~2015 년 12 월 15 일(일)이제 처음 다섯 행은 우리에게 매우 유용하지 않습니다. 더 나은 시각적 표현을 얻기 위해 전체 데이터 세트를 플롯합시다.2018 년 12 월 15 일(금)~2018 년 12 월 15 일(금)~2018 년 12 월 15 일(금)~2019 년 12 월 15 일(금)~2019 년 12 월 15 일(금)~2019 년 12 월 15 일(금)~2019 년 12 월 15 일(금)~2019 년 12 월 15 일(금)~2019 년 12 월 15 일(금)~2019 년 12 월 15 일(금)~2019 년 12 월 15 일(금)~2019 년 12 월 15 일(금)~2019 년 12 월 15 일(금)~2019 년 12 월 15 일(금)~2019 년 12 월 15 일(금)~2019 년 12 월 15 일(금)~2019 년 1960 년과 1980 년 사이에 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 존슨에 대한 이제 우리는 데이터의 명확한 상승 추세가 있습니다. 이 회사에 대 한 좋은 징조 수 있습니다,하는 동안 시계열 모델링의 측면에서 좋지 않다,시계열 고정 되지 않습니다 의미 하기 때문에.이 경우,로그 차이를 취할 것입니다. 이 값은 각 값의 로그를 취하고 이전 값을 빼는 것과 같습니다.변환된 시계열 플로팅:

plt.figure(figsize=); # Set dimensions for figure
plt.plot(data)
plt.title("Log Difference of Quaterly EPS for Johnson & Johnson")
plt.show()

지금,그것은 우리가 제거되는 추세이다. 그러나,우리는 우리의 시리즈는 아칸소 모델링하기 전에 고정되어 있는지 확인해야합니다(피)과정.이제,우리는 성탄절-워커 방정식을 사용하여 계수를 추정하기 위해이 정보를 사용합니다:

# Try a AR(4) model
rho, sigma = yule_walker(data, 4)
print(f'rho: {-rho}')
print(f'sigma: {sigma}')

Therefore, the function is approximated as:

Note that this equation models the transformed series.

Conclusion

Congratulations! 이제 자동 회귀 모델이 무엇인지,자동 회귀 프로세스를 인식하는 방법,순서를 결정하는 방법 및 실제 시계열을 모델링하는 데 사용하는 방법을 이해합니다.파이썬에서 시계열 분석 기술을 연마하고 시계열 분석을위한 최신 모범 사례를 배우십시오.