Skip to content
Menu
CDhistory
CDhistory

ARIMAX-mallit¶

Posted on 18 kesäkuun, 2021 by admin

Luokan kuvaus¶

luokkaARIMAX(data, formula, ar, ma, integ, target, family)¶

Autoregressiiviset integroitujen liukuvien keskiarvojen eksogeenisten muuttujien mallit (ARIMAX).

Parametri Tyyppi Kuvaus
data pd.DataFrame tai np.ndarray Sisältää yksimuuttujaisen aikasarjan
formula string Patsy-merkintätapa, joka määrittelee regression
ar int Dr. autoregressiivisten viiveiden määrä
ma int Liukuvan keskiarvon viiveiden määrä
integ int Miten monta kertaa aineisto erotetaan(oletus: 0)
target string tai int Mitä DataFramen/array:n saraketta käytetään.
family pf.Family instance Aikasarjan jakauma,esim pf.Normal()

Attributes

latent_variables¶

A pf.LatentVariables()-olio, joka sisältää tietoa mallin latenttimuuttujista,ennakkoasetuksista. mahdollisista sovitetuista arvoista, lähtöarvoista ja muista latenttimuuttujatiedoista. Kun mallia sovitetaan, latenttimuuttujat päivitetään/tallennetaan tähän.Katso latenttimuuttujien dokumentaatiosta tietoa tämän objektin sisällä olevista attribuuteista sekä metodeista, joilla latenttimuuttujatietoja voidaan käyttää.

Methods

adjust_prior(index, prior)¶

Säätää mallin latenttimuuttujien priorit. Latentteja muuttujia ja niiden indeksejävoidaan tarkastella tulostamalla malliinstanssiin liitetty latent_variables-attribuutti.

Parametri Tyyppi Kuvaus
indeksi int Muutettavan latenttimuuttujan indeksi
prior pf.Family instance Prior-jakauma, esim. pf.Normal()

Returns: void – muuttaa mallia latent_variables attribuutti

fit(metodi, **kwargs)¶

Estimoi mallin latentit muuttujat. Käyttäjä valitsee päättelyvaihtoehdon ja metodi palauttaa tulosolion sekä päivittää mallin latent_variablesattribuutin.

Parametri Tyyppi Kuvaus
metodi str Valintavaihtoehdon päättelyvaihtoehto: e.esim. ’M-H’ tai ’MLE’

Katso Bayesin päättely ja Klassinen päättely -osiot dokumentaatiossa saadaksesi täyden luettelon päättelyvaihtoehdoista. Vaihtoehtoisia parametreja voidaan syöttää, jotka ovat merkityksellisiä valitun päättelytavan kannalta.

Palauttaa: pf.Results-instanssi, jossa on estimoitujen latenttien muuttujien tiedot

plot_fit(**kwargs)¶

Kuvioi mallin sopivuuden dataa vasten. Valinnaisia argumentteja ovat figsize,piirrettävän kuvion mitat.

Returns : void – näyttää matplotlib plot

plot_ppc(T, nsims)¶

Piirretään jälkikäteisen ennustetarkastelun histogrammi käyttäjän valitsemalla poikkeamamitalla. Tämä menetelmä toimii vain, jos olet sovittanut käyttäen Bayesin päättelyä.

Parametri Tyyppi Kuvaus
T funktio Discrepancy, esim. np.mean tai np.max
nsims int Miten monta simulointia PPC

Palauttaa:

plot_predict(h, oos_data, past_values, intervals, **kwargs)¶

Kuvailee mallin ennusteita sekä intervalleja.

Parametri Tyyppi Kuvaus
h int montako askeleen verran ennustetaan eteenpäin
oos_data pd.DataFrame Exogeeniset muuttujat kehyksessä h askeleelle
past_values int Kuinka monta aiempaa datapistettä piirretään
intervals boolean Piirretäänkö intervallit vai ei

Ymmärrettävästi, oos_data-argumentin tulisi olla DataFrame samassa muodossa kuin malliinstanssin alustamiseen käytetty initialdataframe. Syynä on se, että tulevien arvojen ennustamiseksi on määriteltävä oletuksia tulevaisuuden eksogeenisistä muuttujista. Jos esimerkiksi ennustat h askelta eteenpäin, menetelmä ottaa oos_datasta h ensimmäistä riviä ja ottaa eksogeenisten muuttujien arvot, jotka pyysit patsy-kaavassa.

Vaihtoehtoiset argumentit ovat figsize – piirrettävän kuvion mitat. Huomaa, että jos käytät Maximum Likelihood- tai Variational Inference -menetelmää, esitetyt intervalliarvot eivät heijasta latentin muuttujan epävarmuutta. Ainoastaan Metropolis-Hastings antaa täysin Bayes-ennustevälit. Bayesiläisiä intervalleja variationaalisella päättelyllä ei näytetä, koska keskikentän päättelyn rajoitus ei ota huomioon posteriorisia korrelaatioita.

Returns : void – näyttää matplotlib plot

plot_predict_is(h, fit_once, fit_method, **kwargs)¶

Plottaa otoksen sisäiset rullaavat ennusteet mallille. Tämä tarkoittaa, että käyttäjä teeskentelee, että alast datan osajakso on otoksen ulkopuolinen, ja ennustaa jokaisen jakson jälkeen ja arvioi, kuinka hyvin ne onnistuivat. Käyttäjä voi valita, sovitetaanko parametrit kerran alussa vai joka aika-askel.

.

Parametri Tyyppi Kuvaus
h int Miten monta edellistä aika-askelta käytetään
fit_once boolean Pitäisikö sovittaa kerran, vai joka aika-askel
fit_method str Mikä päättelyvaihtoehto, esim.g. ’MLE’

Vaihtoehtoisia argumentteja ovat figsize – piirrettävän kuvion mitat. h on int, joka kertoo, kuinka monella edellisellä askeleella simuloidaan suorituskykyä.

Returns : void – näyttää matplotlib plot

plot_sample(nsims, plot_data=True)¶

Plottaa otokset mallin posteriorisesta ennustetiheydestä. Tämä menetelmä toimii vainjos sovitit mallin Bayesin päättelyä käyttäen.

Parametri Tyyppi Kuvaus
nsims int Miten monta? näytteitä piirretään
plot_data boolean Piirretäänkö myös reaalidata

Palauttaa : void – näyttää matplotlib plot

plot_z(indices, figsize)¶

Palauttaa piirtokuvan latenteista muuttujista ja niihin liittyvästä epävarmuudesta.

Parametri Tyyppi Kuvaus
indeksit int tai lista mikä? latentin muuttujan indeksit piirretään
figsize tuple Matplotlibin kuvion koko

Palauttaa : void – näyttää matplotlib plot

ppc(T, nsims)¶

Palauttaa p-arvon posteriorista ennustetarkastelua varten. Tämä menetelmä toimii vain, jos oletfitannut käyttäen Bayesin päättelyä.

Parametri Tyyppi Kuvaus
T funktio Diskrepansio, esim. np.mean tai np.max
nsims int Miten monta simulointia PPC

Palauttaa:

Palauttaa DataFrame mallin ennusteista: int – p-arvo poikkeavuustestiä varten

predict(h, oos_data, intervals=False)¶

Palauttaa DataFrame mallin ennusteista.

Parametri Tyyppi Kuvaus
h int Monella askeleella ennustetaan eteenpäin
oos_data pd.DataFrame Exogeeniset muuttujat kehyksessä h askeleelle
intervals boolean Palautetaanko ennustusväli

Yksiselitteisesti sanottuna oos_data-argumentin tulisi olla DataFrame samassa formaatissa kuin mallin instanssin initialisoinnissa käytetty initialdataframe. Syynä on se, että tulevien arvojen ennustamiseksi on määriteltävä oletuksia tulevaisuuden eksogeenisistä muuttujista. Jos esimerkiksi ennustat h askelta eteenpäin, menetelmä ottaa oos_data-tietueesta 5 ensimmäistä riviä ja ottaa eksogeenisten muuttujien arvot, jotka määrittelit eksogeenisiksi muuttujiksi patsy-kaavassa.

Huomaa, että jos käytät Maximum Likelihood- tai Variational Inference -menetelmää, näytetyt aikavälien välit eivät kuvasta latentin muuttujan epävarmuutta. Ainoastaan Metropolis-Hastings antaa sinulle täysinBayesin ennustevälit. Variationaalisella päättelyllä käytettyjä Bayesin välejä ei näytetä, koska keskikentän päättelyn rajoituksena on, että se ei ota huomioon posteriorisia korrelaatioita.

Palauttaa : pd.DataFrame – mallin ennusteet

predict_is(h, fit_once, fit_method)¶

Palauttaa DataFrame:n mallin otoksen sisäisistä rullaavista ennusteista.

.

Parametri Tyyppi Kuvaus
h int Miten monta edellistä aika-askelta käytetään
fit_once boolean Voidaanko sovittaa kerran, vai joka aika-askel
fit_method str Mikä päättelyvaihtoehto, esim.esim. ’MLE’

Palauttaa : pd.DataFrame – mallin ennusteet

sample(nsims)¶

Palauttaa np.ndarray datan piirtämisestä posteriorisesta ennustetiheydestä. Tämämenetelmä toimii vain, jos olet sovittanut mallin Bayesin päättelyä käyttäen.

Parametri Tyyppi Kuvaus
nsims int Kuinka monta posteriorista piirtoa otetaan

Palauttaa : np.ndarray – näytteitä posteriorisesta ennustetiheydestä.

Vastaa Peruuta vastaus

Sähköpostiosoitettasi ei julkaista. Pakolliset kentät on merkitty *

Viimeisimmät artikkelit

  • Acela on palannut: NYC tai Boston 99 dollarilla
  • Temple Fork Outfitters
  • Burr (romaani)
  • Trek Madone SLR 9 Disc
  • Jokainen valmistunut 2016 NBA:n vapaa agenttisopimus yhdessä paikassa

Arkistot

  • helmikuu 2022
  • tammikuu 2022
  • joulukuu 2021
  • marraskuu 2021
  • lokakuu 2021
  • syyskuu 2021
  • elokuu 2021
  • heinäkuu 2021
  • kesäkuu 2021
  • toukokuu 2021
  • huhtikuu 2021
  • DeutschDeutsch
  • NederlandsNederlands
  • SvenskaSvenska
  • DanskDansk
  • EspañolEspañol
  • FrançaisFrançais
  • PortuguêsPortuguês
  • ItalianoItaliano
  • RomânăRomână
  • PolskiPolski
  • ČeštinaČeština
  • MagyarMagyar
  • SuomiSuomi
  • 日本語日本語
©2022 CDhistory | Powered by WordPress & Superb Themes
Menu
CDhistory