Statsmodels - 使用经过训练的 arima 模型通过显式提供要使用的 endog 值来进行手动点预测
Statsmodels - use trained arima model to do manual point prediction by explicitly supplying endog values to use
我正在使用 statsmodels 库来提供用于时间序列预测的 ARIMAX 模型。我有一个相当奇怪的问题 - 如何通过明确提供用于预测的 endog 和 exog 变量来强制训练模型执行完全手动的点预测？
为了给你一个想法，我根据 2000-2017 年的年度数据训练我的模型，我根据前几年的劳动力和一堆 exog 变量预测公司未来的劳动力。它运作良好。问题是2018年和2019年公司大幅扩招，是一次性的商业决策，我们也知道我们2000-2017年训练的模型从商业角度来说是"correct"
我想做的是使用我在 2000-2017 年训练的模型，并提供 2020 年的预测，同时明确为它提供 2018 年和 2019 年的 "actual values"。这样我们确保模型不会'不要尝试适应这种一次性跳跃，降低其质量。但是我该怎么做呢？请注意，我使用带有 AR(2) 的模型 - 所以我需要提供前 2 年的数据。
我看到了一些统计模型的方法，可以让您：
1) 选择经过训练的 ARIMAX 模型
2) 明确地给它前 2 年的 exog 变量值
3) 明确给出前 2 年的 endog 值
4) 只提供单点预报
这两种 predict and forecast 方法都允许您仅指定要交付样本预测的步数，但它们不允许明确提供新的 endog 值以用于预测
在当前发布的版本 (v0.10) 中，您可能希望执行以下操作（请注意，要使其正常工作，您必须使用 sm.tsa.SARIMAX 模型而不是 sm.tsa.ARIMA型号）：
training_endog = endog.loc[:'2017']
training_exog = exog.loc[:'2017']
training_mod = sm.tsa.SARIMAX(training_endog, order=(2, 0, 0), exog=training_exog)
training_res = training_mod.fit()
mod = sm.tsa.SARIMAX(endog, order=(2, 0, 0), exog=exog)
res = mod.smooth(training_res.params)
print(res.forecast(1, exog=exog_fcast))
注意：我们最近添加了一项新功能来简化此类操作，可在 Github 主存储库中获得，并将在 v0.11 中发布（此版本尚无时间表）不过），你可以在哪里做：
training_endog = endog.loc[:'2017']
training_exog = exog.loc[:'2017']
training_mod = sm.tsa.SARIMAX(training_endog, order=(2, 0, 0), exog=training_exog)
training_res = training_mod.fit()
res = training_res.append(endog.loc['2018':], exog=exog.loc['2018':])
print(res.forecast(1, exog=exog_fcast))
我正在使用 statsmodels 库来提供用于时间序列预测的 ARIMAX 模型。我有一个相当奇怪的问题 - 如何通过明确提供用于预测的 endog 和 exog 变量来强制训练模型执行完全手动的点预测？
为了给你一个想法，我根据 2000-2017 年的年度数据训练我的模型，我根据前几年的劳动力和一堆 exog 变量预测公司未来的劳动力。它运作良好。问题是2018年和2019年公司大幅扩招，是一次性的商业决策，我们也知道我们2000-2017年训练的模型从商业角度来说是"correct"
我想做的是使用我在 2000-2017 年训练的模型，并提供 2020 年的预测，同时明确为它提供 2018 年和 2019 年的 "actual values"。这样我们确保模型不会'不要尝试适应这种一次性跳跃，降低其质量。但是我该怎么做呢？请注意，我使用带有 AR(2) 的模型 - 所以我需要提供前 2 年的数据。
我看到了一些统计模型的方法，可以让您：
1) 选择经过训练的 ARIMAX 模型
2) 明确地给它前 2 年的 exog 变量值
3) 明确给出前 2 年的 endog 值
4) 只提供单点预报
这两种 predict and forecast 方法都允许您仅指定要交付样本预测的步数，但它们不允许明确提供新的 endog 值以用于预测
在当前发布的版本 (v0.10) 中，您可能希望执行以下操作（请注意，要使其正常工作，您必须使用 sm.tsa.SARIMAX 模型而不是 sm.tsa.ARIMA型号）：
training_endog = endog.loc[:'2017']
training_exog = exog.loc[:'2017']
training_mod = sm.tsa.SARIMAX(training_endog, order=(2, 0, 0), exog=training_exog)
training_res = training_mod.fit()
mod = sm.tsa.SARIMAX(endog, order=(2, 0, 0), exog=exog)
res = mod.smooth(training_res.params)
print(res.forecast(1, exog=exog_fcast))
注意：我们最近添加了一项新功能来简化此类操作，可在 Github 主存储库中获得，并将在 v0.11 中发布（此版本尚无时间表）不过），你可以在哪里做：
training_endog = endog.loc[:'2017']
training_exog = exog.loc[:'2017']
training_mod = sm.tsa.SARIMAX(training_endog, order=(2, 0, 0), exog=training_exog)
training_res = training_mod.fit()
res = training_res.append(endog.loc['2018':], exog=exog.loc['2018':])
print(res.forecast(1, exog=exog_fcast))