statsmodels.tsa.arima.model.ARIMA.fit

ARIMA.fit(start_params=None, transformed=True, includes_fixed=False, method=None, method_kwargs=None, gls=None, gls_kwargs=None, cov_type=None, cov_kwds=None, return_params=False, low_memory=False)[source]

拟合（估计）模型的参数。

Parameters:
start_paramsarray_like, optional

对数似然最大化解决方案的初始猜测。 如果为 None，则默认值由 Model.start_params 给出。

transformedbool, optional

是否已经对start_params进行了转换。默认为True。

includes_fixedbool, optional

如果之前使用 fix_params 方法固定了参数， 此参数描述 start_params 是否也包括 固定参数，除了自由参数。默认值为 False。

methodstr, optional

用于估计模型参数的方法。有效的选项包括‘statespace’、‘innovations_mle’、‘hannan_rissanen’、‘burg’、‘innovations’和‘yule_walker’。并非所有选项都适用于每种规范（例如，‘yule_walker’只能用于AR(p)模型）。

method_kwargsdict, optional

传递给参数估计器fit函数的参数，该估计器由method参数描述。

glsbool, optional

是否使用广义最小二乘法（GLS）来估计回归效果。默认情况下，如果method=’statespace’则为False，否则为True。

gls_kwargsdict, optional

传递给GLS估计拟合方法的参数。仅在使用GLS估计时适用（详见gls参数）。

cov_typestr, optional

关键词 cov_type 决定了计算参数估计协方差矩阵的方法。可以是以下之一：

  • ‘opg’ 表示梯度估计的外积

  • ‘oim’ 表示观察到的信息矩阵估计量，使用Harvey（1989）的方法计算

  • ‘approx’ 表示观测信息矩阵估计器，使用Hessian矩阵的数值近似计算得出。

  • ‘robust’ 用于近似（准最大似然）协方差矩阵，即使在存在一些错误指定的情况下，该矩阵也可能是有效的。中间计算使用 ‘oim’ 方法。

  • ‘robust_approx’ 与 ‘robust’ 相同，除了中间计算使用 ‘approx’ 方法。

  • ‘none’ 表示不进行协方差矩阵计算。

默认值为‘opg’，除非使用内存保护来避免计算每个观测值的对数似然值，在这种情况下，默认值为‘oim’。

cov_kwdsdict or None, optional

影响协方差矩阵计算的参数字典。

opg, oim, 近似, 鲁棒, 鲁棒近似

  • ‘approx_complex_step’ : bool, 可选 - 如果为 True，数值近似使用复步法计算。如果为 False，数值近似使用有限差分法计算。默认为 True。

  • ‘approx_centered’ : bool, 可选 - 如果为 True，使用有限差分方法计算的数值近似使用中心近似。默认为 False。

return_paramsbool, optional

是否仅返回最大化参数的数组。 默认是 False。

low_memorybool, optional

如果设置为True，将应用技术以大幅减少内存使用。如果使用此选项，结果对象的某些功能将不可用（包括平滑结果和样本内预测），尽管样本外预测是可能的。默认值为False。

Returns:
ARIMAResults

示例

>>> mod = sm.tsa.arima.ARIMA(endog, order=(1, 0, 0))
>>> res = mod.fit()
>>> print(res.summary())
Last update: Oct 16, 2024