使用 statsmodels SARIMAX 手动创建平均响应的置信区间答案

【问题标题】：Manually creating confidence intervals for the mean response using statsmodels SARIMAX使用 statsmodels SARIMAX 手动创建平均响应的置信区间
【发布时间】：2021-08-07 23:09:23
【问题描述】：

我使用 python 中的 statsmodels 库创建了一个时间序列 SARIMAX 模型。

目前，我们正在遵循以下管道：

训练模型
对未来的某一阶段进行预测，并使用内置的 statsmodels 功能为该平均预测生成置信区间。
每天重复此过程以预测第二天。

我们的总体目标是每周只训练一次模型。这意味着我们希望从模型训练之日起生成超过 1 步的预测。由于我们将进行每个预测，在收集了前一天的实际数据之后，我们希望使用 SARIMAX 的参数来生成预测。这一步相当简单，您只需要使用系数并将它们乘以滞后分量的第一级差即可。

但是，我正在努力为我的预测重新创建置信区间，是否有人对 statsmodels 用于创建这些的数学或我应该使用的数学有任何想法？

提前致谢，詹姆斯

【问题讨论】：

标签： python statsmodels arima confidence-interval anomaly-detection

【解决方案1】：

可能最简单的做法是让 Statsmodels 为您计算它们，但使用经过训练的参数和新数据集。这是一个例子：

首先，训练模型（您的第 1 步）并保存参数，以便您以后可以使用它们

# 1. Train the model
mod = sm.tsa.SARIMAX(endog_train, order=(p, d, q))
res = mod.fit()
# Save the parameters for use later
res.params.to_csv('trained_params.csv')

然后使用更新的数据集创建一个新模型，但不是重新训练参数（使用fit 方法），而是将旧参数应用于新数据（使用smooth 方法）。

# 2. Use the saved parameters with a new dataset
mod = sm.tsa.SARIMAX(endog_updated, order=(p, d, q))
params = pd.read_csv('trained_params.csv', index_col=[0])['0']
res = mod.smooth(params)

# Produce forecasts and 95% confidence intervals
fcast = res.get_forecast(steps=5, alpha=0.05)
print(fcast.summary_frame())

对于我使用的数据，打印如下：

realgdp      mean   mean_se  mean_ci_lower  mean_ci_upper
2009Q4   1.682724  3.717418      -5.603282       8.968729
2010Q1   1.031580  4.360360      -7.514567       9.577728
2010Q2   0.632402  4.578709      -8.341702       9.606506
2010Q3   0.387689  4.658123      -8.742065       9.517443
2010Q4   0.237670  4.687621      -8.949899       9.425239

您可以根据需要多次执行此操作，然后在需要重新训练模型时，只需返回上面的 #1。

【讨论】：

似乎完全符合我的要求，谢谢！