如何解决如何重现 statsmodels ARIMA 过滤器？
我正在尝试使用 stastmodels recursive_filter 和 convolution_filter 重现 ARIMA 模型中使用的过滤器。 （我的最终目标是使用这些过滤器对外源序列进行预白化。）
我首先使用 AR 模型和递归过滤器。这是简化的实验设置：
import numpy as np
import statsmodels as sm
np.random.seed(42)
# sample data
series = sm.tsa.arima_process.arma_generate_sample(ar=(1,-0.2,-0.5),ma=(1,),nsample=100)
model = sm.tsa.arima.model.ARIMA(series,order=(2,0)).fit()
print(model.summary())
优雅地产生以下内容，这似乎很公平：
SARIMAX Results
==============================================================================
Dep. Variable: y No. Observations: 100
Model: ARIMA(2,0) Log Likelihood -131.991
Date: Wed,07 Apr 2021 AIC 271.982
Time: 12:58:39 BIC 282.403
Sample: 0 HQIC 276.200
- 100
Covariance Type: opg
==============================================================================
coef std err z P>|z| [0.025 0.975]
------------------------------------------------------------------------------
const -0.3136 0.266 -1.179 0.238 -0.835 0.208
ar.L1 0.2135 0.084 2.550 0.011 0.049 0.378
ar.L2 0.4467 0.101 4.427 0.000 0.249 0.645
sigma2 0.8154 0.126 6.482 0.000 0.569 1.062
===================================================================================
Ljung-Box (L1) (Q): 0.10 Jarque-Bera (JB): 0.53
Prob(Q): 0.75 Prob(JB): 0.77
Heteroskedasticity (H): 0.98 Skew: -0.16
Prob(H) (two-sided): 0.96 Kurtosis: 2.85
===================================================================================
我拟合 AR(2) 并根据 SARIMAX 结果获得滞后 1 和滞后 2 的系数。我使用 statsmodels.tsa.filters.filtertools.recursive_filter 重现这个模型的直觉是这样的：
filtered = sm.tsa.filters.filtertools.recursive_filter(series,ar_coeff=(-0.2135,-0.4467))
（也可能从回归结果中加入常数）。然而，结果的直接比较表明递归过滤器没有复制 AR 模型：
import matploylib.pyplot as plt
# ARIMA residuals
plt.plot(model.resid)
# Calculated residuals using recursive filter outcome
plt.plot(filtered)
我是否错误地处理了这个问题？我应该使用不同的过滤器功能吗？我的下一步是在 MA 模型上执行相同的任务，以便我可以将 (?) 结果加在一起以获得用于预白化的完整 ARMA 过滤器。
注意：这个问题对于搜索“我如何预先编写时间序列数据？”的人来说可能很有价值。特别是在 Python 中使用 statsmodels。
解决方法
我猜你应该对 AR 部分使用 convolution_filter，对 MA 部分使用 recursive_filter。按顺序组合这些将适用于 ARMA 模型。或者，您可以将 arma_innovations 用于同时处理 AR 和 MA 部件的精确方法。以下是一些示例：
import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.tsa.innovations import arma_innovations
AR(2)
np.random.seed(42)
series = sm.tsa.arma_generate_sample(ar=(1,-0.2,-0.5),ma=(1,),nsample=100)
res = sm.tsa.arima.ARIMA(series,order=(2,0),trend='n').fit()
print(pd.DataFrame({
'ARIMA resid': res.resid,'arma_innovations': arma_innovations.arma_innovations(
series,ar_params=res.params[:-1])[0],'convolution filter': sm.tsa.filters.convolution_filter(
series,np.r_[1,-res.params[:-1]],nsides=1)}))
给出：
ARIMA resid arma_innovations convolution filter
0 0.496714 0.496714 NaN
1 -0.254235 -0.254235 NaN
2 0.666326 0.666326 0.666326
3 1.493315 1.493315 1.493315
4 -0.256708 -0.256708 -0.256708
.. ... ... ...
95 -1.438670 -1.438670 -1.438670
96 0.323470 0.323470 0.323470
97 0.218243 0.218243 0.218243
98 0.012264 0.012264 0.012264
99 -0.245584 -0.245584 -0.245584
MA(1)
np.random.seed(42)
series = sm.tsa.arma_generate_sample(ar=(1,0.2),order=(0,1),ma_params=res.params[:-1])[0],'convolution filter': sm.tsa.filters.recursive_filter(series,-res.params[:-1])}))
给出：
ARIMA resid arma_innovations recursive filter
0 0.496714 0.496714 0.496714
1 -0.132893 -0.132893 -0.136521
2 0.646110 0.646110 0.646861
3 1.525620 1.525620 1.525466
4 -0.229316 -0.229316 -0.229286
.. ... ... ...
95 -1.464786 -1.464786 -1.464786
96 0.291233 0.291233 0.291233
97 0.263055 0.263055 0.263055
98 0.005637 0.005637 0.005637
99 -0.234672 -0.234672 -0.234672
ARMA(1,1)
np.random.seed(42)
series = sm.tsa.arma_generate_sample(ar=(1,0.5),order=(1,trend='n').fit()
a = res.resid
# Apply the recursive then convolution filter
tmp = sm.tsa.filters.recursive_filter(series,-res.params[1:2])
filtered = sm.tsa.filters.convolution_filter(tmp,-res.params[:1]],nsides=1)
print(pd.DataFrame({
'ARIMA resid': res.resid,ar_params=res.params[:1],ma_params=res.params[1:2])[0],'combined filters': filtered}))
给出：
ARIMA resid arma_innovations combined filters
0 0.496714 0.496714 NaN
1 -0.134253 -0.134253 -0.136915
2 0.668094 0.668094 0.668246
3 1.507288 1.507288 1.507279
4 -0.193560 -0.193560 -0.193559
.. ... ... ...
95 -1.448784 -1.448784 -1.448784
96 0.268421 0.268421 0.268421
97 0.212966 0.212966 0.212966
98 0.046281 0.046281 0.046281
99 -0.244725 -0.244725 -0.244725
SARIMA(1,1)x(1,3)
季节性模型稍微复杂一些，因为它需要乘以滞后多项式。有关其他详细信息，请参阅 Statsmodels 文档中的此 example notebook。
np.random.seed(42)
ar_poly = [1,-0.5]
sar_poly = [1,-0.1]
ar = np.polymul(ar_poly,sar_poly)
series = sm.tsa.arma_generate_sample(ar=ar,seasonal_order=(1,3),-res.polynomial_reduced_ma[1:])
filtered = sm.tsa.filters.convolution_filter(tmp,res.polynomial_reduced_ar,ar_params=-res.polynomial_reduced_ar[1:],ma_params=res.polynomial_reduced_ma[1:])[0],'combined filters': filtered}))
给出：
ARIMA resid arma_innovations combined filters
0 0.496714 0.496714 NaN
1 -0.100303 -0.100303 NaN
2 0.625066 0.625066 NaN
3 1.557418 1.557418 NaN
4 -0.209256 -0.209256 -0.205201
.. ... ... ...
95 -1.476702 -1.476702 -1.476702
96 0.269118 0.269118 0.269118
97 0.230697 0.230697 0.230697
98 -0.004561 -0.004561 -0.004561
99 -0.233466 -0.233466 -0.233466
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
