使用python-Statsmodels进行基于统计学的时间序列分析

2019/11/19 15:39
阅读数 428

使用python-Statsmodels进行基于统计学的时间序列分析

StatsModels简介

statistic in python

提供用于估计许多不同的统计模型以及进行统计测试和统计数据探索的类和函数。每个估算器都有大量的结果统计信息列表。

基本的功能列表如下

1.Autoregression(AR)

自回归模型(Autoregressive Model,简称 AR 模型)是最常见的平稳时间序列模型之一。

from statsmodels.tsa.ar_model import AR 

2.Autoregressive Moving Average(ARMA)

ARMA方法结合了自回归(AR)模型和移动平均(MA)模型。

from statsmodel.tsa.arima_model import ARMA

3.Autoregressive Integrated Moving Average(ARIMA)

ARIMA方法结合自回归(AR)和移动平均(MA)模型以及序列的差分预处理步骤以使序列静止,称为积分。

from statsmodel.tsa.arima_model import ARIMA

4.Seasonal Autoregressive Integrated Moving-Average (SARIMA)

SARIMA方法将序列中的下一步建模为先前时间步骤的差异观测值、误差、差异性季节观测值和季节性误差的线性函数。

它结合了ARIMA模型,能够在季节性水平上执行相同的自回归、差分和移动平均建模。

from statsmodel.tsa.statespace.sarimax import SARIMAX

5.Seasonal Autoregressive Integrated Moving-Average with Exogenous Regressors (SARIMAX)

SARIMAX是SARIMA模型的扩展,还包括外生变量的建模。

SARIMAX方法还可用于使用外生变量对包含的模型进行建模,例如ARX,MAX,ARMAX和ARIMAX。

from statsmodels.tsa.statespace.sarimax import SARIMAX

6.Vector Autoregression (VAR)

向量自回归方法使用AR模型。AR是多个并行时间序列的推广。

from statsmodel.tsa.vector_ar.var_model import VAR

7.Vector Autoregression Moving-Average (VARMA)

这是ARMA对多个并行时间序列的推广,例如,多变量时间序列。

from statsmodel.tsa.statespace.varmax import VARMAX

8.Vector Autoregression Moving-Average with Exogenous Regressors(VARMAX)

VARMAX是VARMA模型的扩展,它还包括外生变量的建模。它是ARMAX方法的多变量版本。

from statsmodels.tsa.statespace.varmax import VARMAX

9.Holt Winter’s Exponential Smoothing (HWES)

HWES是在先前时间步骤的观测的指数加权线性函数,将考虑趋势和季节性因素。

from statsmodel.tsa.holtwinters import ExponentialSmoothing

 

展开阅读全文
打赏
0
0 收藏
分享
加载中
更多评论
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部