ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

时间序列分析与预测
章节 1: 时间序列数据介绍
时间序列数据的特点
组成部分:趋势、季节性、周期性、不规则性
在Pandas中加载和处理时间序列数据
时间位移、滞后与滚动窗口
时间序列数据可视化
动手实践:数据加载与绘图
第 1 章测验
章节 2: 时间序列分解与平稳性
理解平稳性
时间序列分解方法
在 Python 中实现分解
平稳性检验:可视化检查
平稳性的统计检验 (ADF 检验)
实现平稳性:差分
动手练习:分解与平稳性检验
第 2 章测验
章节 3: 自相关性与模型识别
自动相关函数 (ACF)
偏自相关函数 (PACF)
在 Python 中绘制 ACF 和 PACF
解读ACF/PACF以选择模型
动手实践:ACF/PACF 图的绘制与解读
第 3 章测验
章节 4: ARIMA 模型用于预测
自回归 (AR) 模型
移动平均 (MA) 模型
结合AR和MA:ARMA模型
引入整合:ARIMA 模型
选择ARIMA模型阶数 (p, d, q)
在Python中使用statsmodels拟合ARIMA模型
模型诊断与残差分析
使用ARIMA模型进行预测
动手实践:构建ARIMA模型
第 4 章测验
章节 5: 使用SARIMA处理季节性
ARIMA模型处理季节性数据的局限性
季节性ARIMA(SARIMA)模型介绍
识别季节性成分 (ACF/PACF)
选择 SARIMA 阶数 (p, d, q)(P, D, Q)m
在 Python 中拟合 SARIMA 模型
SARIMA模型诊断
使用 SARIMA 进行预测
动手实践:构建SARIMA模型
第 5 章测验
章节 6: 模型评估与选择
模型评估的必要性
时间序列的训练-测试分离
常用评估指标(MAE、MSE、RMSE、MAPE)
信息准则 (AIC, BIC)
比较不同模型的预测结果
预测表现的可视化
动手练习:评估预测
第 6 章测验

模型诊断与残差分析

将 ARIMA 模型拟合到时间序列数据,通常使用 statsmodels,是预测工作中的一个重大步骤。然而,在生成预测结果之前,有必要停下来评估模型实际拟合数据的效果。拟合模型相对容易;但要确保它是好模型,则需要进行一些诊断工作。残差分析可满足这一需求。

残差的含义

残差就是观测值与您的模型对训练数据预测值之间的差异。对于时间 ttt,残差 ete_tet​ 的计算方式如下:

et=yt−y^te_t = y_t - \hat{y}_tet​=yt​−y^​t​

其中 yty_tyt​ 是时间 ttt 时的实际观测值,而 y^t\hat{y}_ty^​t​ 是您的 ARIMA 模型在时间 ttt 拟合的值。

可以将残差视为“剩余部分”——模型无法解释的数据部分。如果您的 ARIMA 模型已有效地反映了内部规律(自回归 (autoregressive)和移动平均分量,并通过差分处理了非平稳性),那么残差理想情况下应表现得像随机噪声。具体来说,它们应类似于白噪声。

良好残差的特征

一个拟合得好的 ARIMA 模型应产生满足以下条件的残差:

  1. 零均值: 残差的平均值应接近零。如果均值明显不同于零,则表明预测结果存在偏差。
  2. 方差恒定(同方差性): 残差的分布应随时间保持一致。如果方差发生变化(例如,残差随时间变大),则表明存在异方差性,这可能需要对数据进行变换(如取对数)或使用更高级的模型(如 GARCH)。
  3. 无自相关: 残差在不同滞后处不应相互关联。残差中存在显著的自相关,表明数据中仍存在模型尚未捕获的预测模式。这通常意味着 AR (ppp) 或 MA (qqq) 阶数可能需要调整。
  4. 正态性(通常是期望的): 理想情况下,残差应呈正态分布。虽然 ARIMA 对于点预测不严格要求残差呈正态分布,但它是构建精确预测区间和执行某些统计检验所需的假设。明显偏离正态性可能表明存在异常值或模型构建不完全正确。

在 Python 中进行诊断检查

statsmodels 库使进行这些诊断检查变得简单易行。当您拟合 ARIMA 模型时,结果对象包含有用的信息和诊断方法。

假设您已拟合了这样的模型:

import pandas as pd
import numpy as np
import statsmodels.api as sm
from statsmodels.tsa.arima.model import ARIMA

# 假设 'data' 是您的 pandas Series(平稳或已差分)
# 假设 'p', 'd', 'q' 是您选择的阶数
# 示例拟合过程(请替换为您实际的数据和阶数)
# model = ARIMA(your_endog_data, order=(p, d, q)) # 如果 d > 0 则使用
# model_fit = model.fit()

# 让我们创建一些虚拟结果以进行演示
# 请替换为您实际的模型拟合
np.random.seed(42)
dummy_data = sm.tsa.arma_generate_sample(ar=[0.75], ma=[0], nsample=200)
dummy_series = pd.Series(dummy_data)
model = ARIMA(dummy_series, order=(1, 0, 0)) # 拟合一个 AR(1)
model_fit = model.fit()

# model_fit 对象现在包含结果和诊断工具
print(model_fit.summary())

model_fit.summary() 输出本身提供了一些初步的诊断信息,通常包含:

  • 对数似然 (Log Likelihood), AIC, BIC: 用于比较模型很有帮助(更多内容会在第 6 章讨论)。
  • 系数的标准误差和 p 值:表明 AR/MA 项在统计上是否具有重要性。
  • Ljung-Box (L1) (Q):一个用于检验残差在指定滞后处(通常是滞后 1)是否存在自相关的测试。Prob(Q) 值(p 值)理想情况下应大于 0.05,表明在该滞后处无重要自相关。
  • Jarque-Bera (JB):一个用于检验正态性的测试。Prob(JB) 值(p 值)理想情况下应大于 0.05,支持残差呈正态分布的原假设。

虽然摘要很有用,但视觉诊断通常提供更多信息。statsmodels 提供了一个实用的方法,名为 plot_diagnostics。

import matplotlib.pyplot as plt

# 生成标准诊断图
fig = model_fit.plot_diagnostics(figsize=(12, 8))
plt.tight_layout() # 调整布局以防止重叠
plt.show()

该命令通常会生成一个 2x2 的图表网格:

  1. 标准化残差图: 显示随时间变化的残差图。观察:

    • 它们是否围绕零居中?
    • 方差是否恒定,或者是否呈扇形散开或收窄?
    • 是否存在明显模式或异常值?理想情况下,它应看起来像围绕零的随机散点。
  2. 直方图加估计密度: 显示残差分布与正态分布的比较(通常带有 KDE - 核密度估计)。观察:

    • 直方图是否类似钟形?
    • KDE 线(通常是橙色或蓝色)是否紧密贴合标准正态分布线(N(0,1),通常是灰色或黑色)?摘要中报告的 Jarque-Bera 统计量量化 (quantization)了这一点。
  3. 正态 Q-Q 图: 将残差分布的分位数与标准正态分布的分位数进行比较。观察:

    • 点是否大致落在对角参考线(通常是红色)上?系统性偏差(如 S 形或弯曲)表明偏离正态性。异常值将表现为远离线的点。
  4. 相关图(ACF 图): 显示残差的自相关函数(ACF)。观察:

    • 大多数相关尖峰是否在阴影置信区间内(通常是蓝色)?一个好的模型应具有无重要自相关性的残差(滞后 0 除外,它总是 1)。特定滞后处的重要尖峰可能表示需要调整 AR 或 MA 阶数,如果尖峰出现在季节性滞后处,则可能需要考虑季节性。Ljung-Box 检验检查多个滞后处相关性的整体重要性。

结果解读

  • 残差未围绕零居中: 这在包含常数/截距的标准 ARIMA 拟合过程中很少见,但如果常数被错误地省略,则可能表明存在问题。
  • 方差变化(异方差性): 如果方差变化是主要关注点,请考虑在建模前对原始数据进行变换(例如 Box-Cox 或对数变换),或考虑使用 ARCH/GARCH 模型。
  • 残差中存在重要自相关: 这是一个常见问题。这意味着您的模型未能完全捕获所有线性依赖性。
    • 如果残差的 ACF/PACF 中在滞后 k 处存在重要尖峰,请尝试增加与该滞后对应的 AR 或 MA 阶数(例如,添加 AR(k) 或 MA(k) 项)。
    • 如果存在表明季节性的模式(在滞后 m、2m 等处出现尖峰),您可能需要一个 SARIMA 模型(下一章将涵盖)。
  • 非正态性:
    • 检查原始数据或残差中是否存在异常值。有时少数极端点会扭曲正态性。
    • 虽然并非总是对预测结果具有决定性作用,但严重的非正态性可能会轻微影响预测区间的精确度。变换可能有所帮助,但请评估改善正态性是否超过潜在的解释难题。

模型诊断是一个反复过程。您拟合模型,检查残差,如果它们显示出问题,则调整模型(例如,更改阶数 p,d,qp, d, qp,d,q,应用变换),并重复该过程,直到残差看起来足够随机且无结构。只有到那时,您才能对模型生成的预测结果有信心。

  • Forecasting: Principles and Practice, Rob J Hyndman and George Athanasopoulos, 2021 (OTexts) - 为时间序列预测提供了全面且易于理解的指南,包括对ARIMA模型构建、残差诊断和解释的详细讨论。
  • statsmodels.tsa.arima.model.ARIMAResults, statsmodels Developers, 2023 - statsmodels中ARIMAResults对象的官方文档,对理解Python中用于模型诊断的方法和属性至关重要。
  • Time Series Analysis: Forecasting and Control, George E. P. Box, Gwilym M. Jenkins, Gregory C. Reinsel, and Greta M. Ljung, 2015 (John Wiley & Sons) - 时间序列分析的基础教材,提供了ARIMA模型的理论深度、模型识别、估计以及对残差的严格诊断检查。
  • Time Series Analysis and Its Applications: With R Examples, Robert H. Shumway, David S. Stoffer, 2017 (Springer) - 对时间序列分析进行了详细且统计学上严谨的处理,包括对ARIMA模型以及残差的统计特性和诊断检查的深度介绍。

© 2026 ApX Machine Learning