Python实现时间序列分析AR定阶自回归模型(ar_select_order算法)项目实战

说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1.项目背景

时间序列分析中，AR定阶自回归模型（AR order selection）是指确定自回归模型（AutoRegressive Model, AR模型）的阶数p的过程。在AR(p)模型中，当前的时间序列值被表示为过去p个时期的线性组合加上一个误差项。

ar_select_order算法是一种用于自动选择最佳AR模型阶数的方法，它通过评估不同阶数下模型的拟合优度、信息准则（如AIC、BIC或HQIC）、预测性能或其他统计测试来确定最合适的p值。

本项目通过ar_select_order算法来构建时间序列分析AR定阶自回归模型。  

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

编号	变量名称	描述
1	DATE	日期
2	INDPRO	工业生产指数

数据详情如下(部分展示)：

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据：

关键代码：

3.2 数据缺失查看

使用Pandas工具的info()方法查看数据信息：

      

从上图可以看到，总共有1个变量，数据中无缺失值，共780条数据。

关键代码：

3.3 数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。

关键代码如下：    

4.探索性数据分析

4.1 变量直方图

用Matplotlib工具的hist()方法绘制直方图：

从上图可以看到，变量主要集中在20~100之间。  

4.2 折线图

从上图中可以看到，房价指数是不断波动的。

5.构建AR定阶自回归模型

主要使用ar_select_order算法，用于自回归建模。 

5.1 构建模型

编号	模型名称	参数
1	AR定阶自回归模型	P=13

5.2 模型摘要信息

5.3 观测值预测绘图

预测值预测绘图：

6.模型评估

6.1 模型残差诊断图

6.2 模型预测

预测结果及展示：

7.结论与展望

综上所述，本文采用了ar_select_order算法来构建AR定阶自回归模型，最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。 

# 本次机器学习项目实战所需的资料，项目资源如下：
 
# 项目说明：
 
# 获取方式一：
 
# 项目实战合集导航：
 
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
 
# 获取方式二：

链接：https://pan.baidu.com/s/12nTSfPE49ADQoTMg3D-7Gw 
提取码：4ggi