【Python】ARモデルで時系列データ分析をやってみる

こんにちは、ミナピピン(@python_mllover)です。今日はPythonで時系列モデルの一種であるARモデルを実装して時系列データ予測をしてみたいと思います。

Contents

ARモデルの特徴
使用するデータ
ARモデルでの時系列分析をPythonで実装する
ARモデルで時系列予測

ARモデルの特徴

・定常過程でしか使用できない

使用するデータ

お馴染みの航空データのあれです。アイスクリームの売上データと同じで周期性が明確なのでサンプルにはうってつけです。

# ライブラリをインストールする 
$ pip install pydse

# ライブラリの読み込み 
import numpy as np 
from pydse import data 

%matplotlib inline 

df = data.airline_passengers() 
df.plot()

ARモデルでの時系列分析をPythonで実装する

# 変化率を計算する
df['change'] = df['Passengers'].pct_change()

from statsmodels.tsa import ar_model
for i in range(20):
    model = ar_model.AR(df['change'][1:])
    maxlag = i+1
    results = model.fit(maxlag=maxlag)
    print(f'lag = {i+1}, aic : {results.aic}')

<実行結果>

lag = 1, aic : -4.446973357475064
lag = 2, aic : -4.4631716863118545
lag = 3, aic : -4.447775449486837
lag = 4, aic : -4.547186384494698
lag = 5, aic : -4.535533168461425
lag = 6, aic : -4.52194132402394
lag = 7, aic : -4.544234892748647
lag = 8, aic : -4.838737433463194
lag = 9, aic : -4.862897005884629
lag = 10, aic : -5.369470828101987
lag = 11, aic : -5.667943927077143
lag = 12, aic : -6.097118563657251
lag = 13, aic : -6.15443976125231
lag = 14, aic : -6.146411714225788
lag = 15, aic : -6.149795460174459
lag = 16, aic : -6.143571088872173
lag = 17, aic : -6.145833721785127
lag = 18, aic : -6.144051613542763
lag = 19, aic : -6.122643951390369
lag = 20, aic : -6.125921513035268

時系列モデルのラグの次数はAIC(赤池情報量規準)を見て選択します。AICが最小になるモデルが最適なモデルという事になります。基準尺度にはAICの他にもBIC(ベイズ情報量規準)というものも存在しています。

ラグ13の時にAICが最小となっているので、今回はAR(13)とします。

次にモデルの当てはまりの良さを確認するために残差を算出してプロットします。

model = ar_model.AR(df['change'][1:])
result13 = model.fit(maxlag=13)
# 残差
resid13 = result13.resid

#残差プロット
plt.bar(range(len(resid13)), resid13)

続いて自己相関係数も確認してみましょう。

from statsmodels.graphics import tsaplots
tsaplots.plot_pacf(resid13, lags=40)

見て分かるようにほとんどが95％の有意水準に収まっていることがわかります。

ARモデルで時系列予測

train = df['change']['1949-02-01':'1953-12-01']
test = df['change']['1954-01-01':'1958-12-01']

from statsmodels.tsa.ar_model import AR
ar = AR(train).fit(maxlag=20, ic='aic')

# モデルに当てはめて予測する
ar_predict = ar.predict('1954-01-01', '1958-12-01')

plt.plot(test, label='observation')
plt.plot(ar_predict, '--', label='forcast')