Zaman Serileri - Otomatik Regresyon

Sabit bir zaman serisi için, bir otomatik regresyon modeli, bir değişkenin değerini 't' zamanında, kendisinden önceki 'p' değerlerinin doğrusal bir fonksiyonu olarak görür. Matematiksel olarak şu şekilde yazılabilir -

$$ y_ {t} = \: C + \: \ phi_ {1} y_ {t-1} \: + \: \ phi_ {2} Y_ {t-2} + ... + \ phi_ {p} y_ {tp} + \ epsilon_ {t} $$

 

Nerede, 'p' otomatik gerileyen eğilim parametresidir

$ \ epsilon_ {t} $ beyaz gürültü ve

$ y_ {t-1}, y_ {t-2} \: \: ... y_ {tp} $, önceki zaman dönemlerindeki değişkenin değerini gösterir.

P'nin değeri çeşitli yöntemler kullanılarak kalibre edilebilir. 'P'nin apt değerini bulmanın bir yolu, otomatik korelasyon grafiğini çizmektir.

Note- Veriler üzerinde herhangi bir analiz yapmadan önce verileri eğitime ayırmalı ve mevcut toplam verinin 8: 2 oranında test etmeliyiz çünkü test verileri yalnızca modelimizin doğruluğunu bulmak içindir ve varsayım, bizim için mevcut değildir. tahminler yapıldıktan sonrasına kadar. Zaman serileri söz konusu olduğunda, veri noktalarının sırası çok önemlidir, bu nedenle verilerin bölünmesi sırasında sırayı kaybetmemek akılda tutulmalıdır.

Bir oto-korelasyon grafiği veya bir korelogram, bir değişkenin önceki zaman adımlarında kendisiyle olan ilişkisini gösterir. Pearson korelasyonunu kullanır ve korelasyonları% 95 güven aralığında gösterir. Verilerimizin 'sıcaklık' değişkeni için nasıl göründüğüne bakalım.

ACP gösteriliyor

[141] 'de:

split = len(df) - int(0.2*len(df))
train, test = df['T'][0:split], df['T'][split:]

[142] 'de:

from statsmodels.graphics.tsaplots import plot_acf

plot_acf(train, lags = 100)
plt.show()

Gölgeli mavi bölgenin dışında kalan tüm gecikme değerlerinin bir karşılıklı ilişkiye sahip olduğu varsayılır.