ARIMA模型拟合
模型描述
模型类型模型 ID销量模型_1ARIMA(1,0,0)(1,0,0)
模型摘要
模型拟合
拟合统计量均值SE最小值最大值百分位5102550759095平稳的 R 方.440..440.440.440.440.440.440.440.440.440R 方.496..496.496.496.496.496.496.496.496.496RMSE20.957.20.95720.95720.95720.95720.95720.95720.95720.95720.957MAPE8.783.8.7838.7838.7838.7838.7838.7838.7838.7838.783MaxAPE45.945.45.94545.94545.94545.94545.94545.94545.94545.94545.945MAE14.824.14.82414.82414.82414.82414.82414.82414.82414.82414.824MaxAE57.941.57.94157.94157.94157.94157.94157.94157.94157.94157.941正态化的 BIC6.292.6.2926.2926.2926.2926.2926.2926.2926.2926.292
模型统计量
模型预测变量数模型拟合统计量Ljung-Box Q(18)离群值数平稳的 R 方统计量DFSig.销量-模型_10.44035.89516.0030
误差白噪声检验
· 模型拟合并相比较简单季节性和Winters模型没有太大的优势，结果可接受。Sig.列给出了 Ljung-Box 统计量的显著性值，该检验是对模型中残差错误的随机检验；表示指定的模型是否正确。显著性值大于0.05 表示残差误差是随机的，则意味着所观测的序列中使用该模型拟合较好。
· 平稳的R方：显示固定的R平方值。此统计量是序列中由模型解释的总变异所占比例的估计值。该值越高（最大值为 1.0），则模型拟合会越好。
· 检查模型残差的自相关函数 (ACF) 和偏自相关函数 (PACF) 的值比只查看拟合优度统计量能更多地从量化角度来了解模型。
最受欢迎的见解
1.在python中使用lstm和pytorch进行时间序列预测
2.python中利用长短期记忆模型lstm进行时间序列预测分析
3.Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数时间序列
4.
Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性
5.r语言copulas和金融时间序列案例
6.
R 语言用RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测
7.
Matlab创建向量自回归（VAR）模型分析消费者价格指数 (CPI) 和失业率时间序列
8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类
9.R语言结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析
