machine-learning - 如何将多个外生变量输入到 statsmodel 中的 SARIMAX 模型中？

Question

在 statsmodels 中，对于 SARIMAX 或 ARIMA 模型，我想使用多个附加外部变量(外生变量)。例如。我想使用产量时间序列的滞后 3 的 AR 和天气温度时间序列的滞后 4 的 AR 以及滞后 3 的 AR 的市场价格的另一个变量来预测时间 t 的 yield 。这似乎不可能？有什么例子或解释如何做到这一点？

Answer 1

首先，您必须将外源输入定义为尺寸为 nobsxk 的数组类型结构，其中 nobs 是数字您的内生观察值(即假设您有一个时间序列，时间序列的长度)和 k 额外外生变量的数量。假设您使用 ndarray 来实现此目的，您可以从类似的内容开始

exog = np.empty([nobs, k])

然后用外生变量的值填充它。然后，您定义模型，如下例所示:

model = sm.tsa.SARIMAX(endog=series, exog=exog, order=order, seasonal_order=seasonal_order).fit(start_params=[0, 0, 0, 0, 0, 1])

其中series是您的原始时间序列，exog是外生输入，order是一个(p，d，q)元组，>seasonal_order 一个 (P,D,Q,s) 元组。您应该注意 start_params 列表，我发现它对于在我的案例中成功构建 sarimax 模型至关重要。

当我没有使用任何外源输入时，start_params 列表为 start_params = [0, 0, 0, 1] for (p,d,q) = (1,0,0) 和(P,D,Q,s) = (1,0,0,37)。

当我添加 3 个新的外源输入时，我将 start_params 列表设置为 start_params = [0, 0, 0, 0, 1, 1]，如果您注意到它有 2 个附加元素。 p>

我想(我不确定，也没有彻底检查过)，如果您在模型中添加 k 个外源输入，则必须添加 k - 1 个附加元素在您的 start_params 列表中，以便成功构建 sarimax 模型。

希望有帮助。干杯。