statsmodels.tsa.forecasting.theta.ThetaModel¶

class statsmodels.tsa.forecasting.theta.ThetaModel(endog, *, period=None, deseasonalize=True, use_test=True, method='auto', difference=False)[source]¶

Assimakopoulos 和 Nikolopoulos (2000) 的 Theta 预测模型

Parameters:¶

endogarray_like, 1d

要预测的数据。

periodint, default None

用于季节性测试和调整的数据周期。如果为None，则从y的索引中确定周期（如果可用）。

deseasonalizebool, default True

一个标志，指示是否对数据进行去季节性处理。如果为True且use_test为True，则仅在拒绝无季节性成分的零假设时对数据进行去季节性处理。

use_testbool, default True

一个标志，指示是否测试周期自相关性。如果此测试在10%的显著性水平下拒绝原假设，则使用分解方法。设置为False以跳过测试。

method{“auto”, “additive”, “multiplicative”}, default “auto”

用于季节性分解的模型。“auto”表示如果y为非负且所有估计的季节性成分均为正，则使用乘法分解。如果这些条件中的任何一个为假，则使用加法分解。

differencebool, default False

一个标志，指示在测试季节性之前对数据进行差分处理。

Attributes:¶

deseasonalize

是否对数据进行去季节性处理

difference

季节性测试中数据是否进行了差分

method

用于对数据进行去季节性处理的方法

period

季节性的周期

use_test

是否对数据进行季节性测试

另请参阅

statsmodels.tsa.statespace.exponential_smoothing.ExponentialSmoothing

指数平滑参数估计与预测

statsmodels.tsa.statespace.sarimax.SARIMAX

季节性ARIMA参数估计和预测

注释

Theta 模型通过两个 Theta 线的加权组合来预测未来。此类支持具有两个 theta 的模型的组合：0 和用户指定的选择（默认值为 2）。然后进行预测。

\[\hat{X}_{T+h|T} = \frac{\theta-1}{\theta} b_0 \left[h - 1 + \frac{1}{\alpha} - \frac{(1-\alpha)^T}{\alpha} \right] + \tilde{X}_{T+h|T}\]

其中 \(\tilde{X}_{T+h|T}\) 是使用参数 \(\alpha\) 对内生变量进行简单指数平滑预测的结果。\(b_0\) 是使用项 0, 1, …, T-1 拟合到 X 的时间趋势线的斜率。

模型按步骤进行估计：

1. 测试季节性

2. 如果检测到季节性，则进行去季节化处理

3. 通过将SES模型拟合到数据来估计\(\alpha\)，并通过OLS估计\(b_0\)。

4. 预测序列

5. 如果数据已经去季节性化，请重新季节性化。

季节性检验检查季节周期上的自相关是否不同于零。然后使用乘法趋势的季节分解来去除季节性。如果季节性估计为非正值，则改为使用加法趋势。默认的去季节化方法可以通过选项进行更改。

参考文献

[1]

Assimakopoulos, V., & Nikolopoulos, K. (2000). The theta 模型：一种分解预测方法。国际预测杂志, 16(4), 521-530.

[2]

Hyndman, R. J., & Billah, B. (2003). 揭开Theta方法的面纱。 国际预测杂志, 19(2), 287-290.

[3]

Fioruci, J. A., Pellegrini, T. R., Louzada, F., & Petropoulos, F. (2015). 优化的theta方法。arXiv预印本arXiv:1503.03529。

方法

fit([use_mle, disp])

估计模型参数。

属性

deseasonalize	是否对数据进行去季节性处理
difference	季节性测试中数据是否进行了差分
method	用于对数据进行去季节性处理的方法
period	季节性的周期
use_test	是否对数据进行季节性测试