1 數據&庫函數

import numpy as np import pandas import statsmodels.api as sm from statsmodels.tsa.api import VAR mdata = sm.datasets.macrodata.load_pandas().datadates = mdata[['year', 'quarter']].astype(int).astype(str)quarterly = dates["year"] + "Q" + dates["quarter"]mdata = mdata[['realgdp','realcons','realinv']]mdata.index = pandas.DatetimeIndex(quarterly)data = np.log(mdata).diff().dropna()

?

2 VAR

????????VAR類假設過去的時間序列是平穩的。非平穩數據通常可以通過一階差分或其他方法轉換為平穩數據。對于直接分析非平穩時間序列，一個標準的穩定VAR(p)模型是不合適的。

? ? ? ? 判斷數據平穩性，可以用：statsmodels筆記：判斷數據平穩性（adfuller）_UQI-LIUWJ的博客-CSDN博客

class statsmodels.tsa.vector_ar.var_model.VAR(endog)

????????endog就是要傳入VAR的數據

舉例：

model = VAR(data)

2.1 方法&屬性

fit(maxlags)?	喂入 最大的時延（最多考慮過去多久的自回歸），fit數據 ??
summary	對模型的分析
k_ar	這個model對應的maxlag值
select_order	VAR.select_order(maxlags=None,trend='c') 基于每個可用信息標準計算滯后順序選擇 (滯后順序的選擇可能是一個困難的問題。標準分析采用似然檢驗或基于信息準則的順序選擇。VAR已經實現了后者) ?AIC和BIC需要越小越好，算法筆記：ARIMA_UQI-LIUWJ的博客-CSDN博客 通過上面的輸出，我們可以發現lag取1或者3的時候比較好

2.2 繪圖

2.2.1 plot()

就是把不同的time series分別畫出來

m=model.fit(9) m.plot()

?2.2.2?繪制時間序列自相關函數

ACF理論部分見：算法筆記：ARIMA_UQI-LIUWJ的博客-CSDN博客

m.plot_acorr()

2.2.3 plot_forecast

預測值和上下2個標準差的區間?

?

?3 預測

線性預測器是基于均方誤差的最優h步提前預測:

我們可以使用預測函數來生成這個預測。請注意，我們必須指定預測的“初始值”:

m.forecast(data.values[-2:], 5) ''' array([[ 0.00502587, 0.0053712 , 0.0051154 ],[ 0.00593683, 0.00784779, -0.00302473],[ 0.00662889, 0.00764349, 0.00393308],[ 0.00731516, 0.00797044, 0.00657495],[ 0.00732726, 0.00808811, 0.00649793]]) '''

表示以哪幾個數字開始，向后預測幾個時間片

array([[ 0.00502587, 0.0053712 , 0.0051154 ],[ 0.00593683, 0.00784779, -0.00302473],[ 0.00662889, 0.00764349, 0.00393308],[ 0.00731516, 0.00797044, 0.00657495],[ 0.00732726, 0.00808811, 0.00649793]])

?

總結

以上是生活随笔為你收集整理的statsmodels 笔记：VAR的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。