Klasse Beschrijving¶
klasseARIMAX
(data, formule, ar, ma, integ, doel, familie)¶
Autoregressief Geïntegreerd Bewegend Gemiddelde Exogene Variabele Modellen (ARIMAX).
Parameter | Type | Description |
---|---|---|
data | pd.DataFrame of np.ndarray | Bevat de univariate tijdreeks |
formula | string | Patsy-notatie die de regressie specificeert |
ar | int | Het aantal autoregressieve vertragingen |
ma | int | Het aantal voortschrijdend gemiddelde vertragingen |
integ | int | Hoe vaak de gegevens moeten worden verschilt (standaard: 0) |
target | string of int | Welke kolom van DataFrame/array te gebruiken. |
family | pf.Family instance | De verdeling voor de tijdreeks, bijv. pf.Normal() |
Attributes
latent_variables
¶
Een pf.LatentVariables() object dat informatie bevat over de latente variabelen van het model, de voorafgaande instellingen, de gepaste waarden, de beginwaarden en andere informatie over de latente variabelen. Zie de documentatie over Latente variabelen voor informatie over attributen in dit object, evenals methoden om toegang te krijgen tot de informatie over latente variabelen.
Methods
adjust_prior
(index, prior)¶
Past de priors voor de latente variabelen van het model aan. De latente variabelen en hun indices kunnen worden bekeken door het latent_variables
-attribuut af te drukken dat aan de modelinstantie is gekoppeld.
Parameter | Type | Beschrijving |
---|---|---|
index | int | Index van de latente variabele die moet worden gewijzigd |
prior | pf.Family instance | Prior verdeling, bijv. pf.Normal() |
Returns: void – wijzigt het model latent_variables
attribute
fit
(method, **kwargs)¶
Bepaalt latente variabelen voor het model. De gebruiker kiest een inferentie-optie en de methode geeft een resultaatobject terug, evenals een update van het latent_variables
attribuut van het model.
Parameter | Type | Beschrijving |
---|---|---|
methode | str | Inferentie-optie: bijv.b. ‘M-H’ of ‘MLE’ |
Zie de secties Bayesiaanse gevolgtrekking en Klassieke gevolgtrekking in de documentatie voor de volledige lijst van inferentieopties. Er kunnen optionele parameters worden ingevoerd die relevant zijn voor de gekozen wijze van inferentie.
Retourneert: pf.Results instantie met informatie voor de geschatte latente variabelen
plot_fit
(**kwargs)¶
Presenteert de fit van het model tegen de gegevens. Optionele argumenten zijn figsize, de afmetingen van de figuur om te plotten.
Returns : void – toont een matplotlib plot
plot_ppc
(T, nsims)¶
Platteert een histogram voor een posterior predictieve controle met een discrepantiemaat naar keuze van de gebruiker. Deze methode werkt alleen als u met Bayesiaanse inferentie hebt gepast.
Parameter | Type | Beschrijving |
---|---|---|
T | functie | Discrepantie, bijv. np.mean of np.max |
nsims | int | Hoeveel simulaties voor de PPC |
Ret resultaat: void – toont een matplotlib plot
plot_predict
(h, oos_data, past_values, intervals, **kwargs)¶
Plots voorspellingen van het model, samen met intervallen.
Parameter | Type | Beschrijving |
---|---|---|
h | int | Hoeveel stappen om vooruit te voorspellen |
oos_data | pd.DataFrame | Exogene variabelen in een frame voor h stappen |
past_values | int | Hoeveel past datapoints om te plotten |
intervals | boolean | Wheels to plot intervals or not |
Om duidelijk te zijn, het argument oos_data moet een DataFrame zijn in hetzelfde formaat als het initialdataframe dat wordt gebruikt om de modelinstantie te initialiseren. De reden hiervoor is dat u, om toekomstige waarden te voorspellen, aannames over exogene variabelen voor de toekomst moet specificeren. Als u bijvoorbeeld h stappen vooruit voorspelt, zal de methode de eerste rijen h van oos_data nemen en de waarden voor de exogene variabelen die u in de patsy-formule hebt gevraagd.
Optionele argumenten zijn figsize – de afmetingen van de te plotten figuur. Merk op dat als u Maximum Likelihood of Variational Inference gebruikt, de getoonde intervallen de latente variabelenonzekerheid niet weergeven. Alleen Metropolis-Hastings geeft u volledig Bayesiaanse voorspellingsintervallen. Bayesiaanse intervallen met variational inference worden niet getoond vanwege de beperking van mean-field inference in het niet verantwoorden van posterior correlaties.
Returns : void – toont een matplotlib plot
plot_predict_is
(h, fit_once, fit_method, **kwargs)¶
Plots in-sample rolling voorspellingen voor het model. Dit betekent dat de gebruiker doet alsof een laatste subsectie van de gegevens out-of-sample is, en na elke periode voorspellingen doet en beoordeelt hoe goed ze het deden. De gebruiker kan kiezen of de parameters eenmalig aan het begin of elke tijdstap moeten worden aangepast.
Parameter | Type | Beschrijving |
---|---|---|
h | int | Hoeveel voorgaande tijdstappen te gebruiken |
fit_once | boolean | Wheelt u in op één keer passen, of elke tijdstap |
fit_method | str | Welke inferentie-optie, bijv.b. ‘MLE’ |
Optionele argumenten zijn figsize – de afmetingen van de figuur om te plotten. h is een int van hoeveel vorige stappen om de prestaties te simuleren.
Returns : void – toont een matplotlib plot
plot_sample
(nsims, plot_data=True)¶¶
Plots samples van de posterior voorspellende dichtheid van het model. Deze methode werkt alleen als u het model hebt ingeschaald met Bayesiaanse inferentie.
Parameter | Type | Beschrijving |
---|---|---|
nsims | int | Hoeveel monsters te tekenen |
plot_data | boolean | Of de echte data ook geplot moet worden |
Returns : void – toont een matplotlib plot
plot_z
(indices, figsize)¶
Retourneert een plot van de latente variabelen en hun geassocieerde onzekerheid.
Parameter | Type | Beschrijving |
---|---|---|
indices | int of lijst | Welke latente variabele indices om te plotten |
figsize | tuple | Grootte van de matplotlib figuur |
Returns : void – toont een matplotlib plot
ppc
(T, nsims)¶
Retourneert een p-waarde voor een posterior predictieve controle. Deze methode werkt alleen als u met Bayesiaanse inferentie hebt gefit.
Parameter | Type | Beschrijving |
---|---|---|
T | functie | Discrepantie, bijv. np.mean of np.max |
nsims | int | Hoeveel simulaties voor de PPC |
Ret resultaat: int – de p-waarde voor de discrepantietest
predict
(h, oos_data, intervals=False)¶
Retourneert een DataFrame van modelvoorspellingen.
Parameter | Type | Beschrijving |
---|---|---|
h | int | Hoeveel stappen om vooruit te voorspellen |
oos_data | pd.DataFrame | Exogene variabelen in een frame voor h stappen |
intervallen | boolean | Welke voorspellingsintervallen moeten worden teruggegeven |
Voor alle duidelijkheid, het argument oos_data moet een DataFrame zijn in hetzelfde formaat als het initialdataframe dat wordt gebruikt om de modelinstantie te initialiseren. De reden hiervoor is dat u, om toekomstige waarden te voorspellen, aannames over exogene variabelen voor de toekomst moet specificeren. Bijvoorbeeld, als u h stappen vooruit voorspelt, zal de methode de 5 eerste rijen uit oos_data nemen en de waarden voor de exogene variabelen nemen die u als exogene variabelen in de patsy-formule hebt opgegeven.
Merk op dat als u Maximum Likelihood of Variational Inference gebruikt, de getoonde intervallen de latente variabelenonzekerheid niet zullen weergeven. Alleen Metropolis-Hastings geeft u volledig Bayesiaanse voorspellingsintervallen. Bayesiaanse intervallen met variabele inferentie worden niet getoond wegens de beperking van gemiddelde-veld inferentie in het niet verantwoorden van posterior correlaties.
Retourneert : pd.DataFrame – de modelvoorspellingen
predict_is
(h, fit_once, fit_method)¶
Returns DataFrame van in-sample rolling voorspellingen voor het model.
Parameter | Type | Description |
---|---|---|
h | int | Hoeveel voorgaande tijdstappen te gebruiken |
fit_once | boolean | Wheelt u in op één keer passen, of elke tijdstap |
fit_method | str | Welke inferentie-optie, bijv.b.v. ‘MLE’ |
Returns : pd.DataFrame – de modelvoorspellingen
sample
(nsims)¶
Returns np.ndarray van trekkingen van de data uit de posterior predictive density. Deze methode werkt alleen als u het model hebt ingepast met Bayesiaanse inferentie.
Parameter | Type | Beschrijving |
---|---|---|
nsims | int | Hoeveel posterior trekkingen te nemen |
Returns : np.ndarray – steekproeven van de posterior voorspellende dichtheid.