下载掌阅APP，畅读海量书库
立即打开
■ 第4章 移动平均过程建模
■ 第5章 自回归过程建模
■ 第6章 复杂时间序列建模
■ 第7章 非平稳时间序列预测
■ 第8章 考虑季节性
■ 第9章 向模型添加外生变量
■ 第10章 预测多变量时间序列
■ 第11章 顶点项目：预测澳大利亚抗糖尿病药物处方的数量
在本书的这一部分，我们将探讨时间序列预测的统计模型。在进行统计建模时，我们需要进行假设检验，仔细研究数据以提取其属性，并为数据寻找最佳模型。
学完本部分，你将拥有一个使用统计模型对任何类型的时间序列进行建模的强大框架。你将开发MA( q )模型、AR( p )模型、ARMA( p , q )模型、用于非平稳时间序列的ARIMA( p , d . q )模型、用于季节性时间序列的SARIMA( p , d , q ),( P , D , Q ) m 模型，以及用于在预测中包含外部变量的SARIMAX模型。我们还将介绍一次可以预测多个时间序列的VAR( p )模型。本部分的最后我们将介绍一个顶点项目，这样你就可以应用所学知识来解决问题。
当然，还有许多其他用于时间序列预测的统计模型。例如，指数平滑基本上采用过去值的加权平均值来预测未来值。指数平滑法背后的一般思想是，在预测未来时，过去值不如最近的值重要，因此为它们分配的权重较小。然后，该模型可以扩展到包括趋势和季节性分量。也有用不同季节性周期的时间序列来建模的统计方法，如BATS和TBATS模型。
为了使这部分易于操作，我们不会涉及这些模型，但它们在statsmodels库中得到了实现，我们将广泛使用该库。