#-*- coding: utf-8 -*- #模型检验 import pandas as pd #参数初始化 discfile = 'C:\\Users\\Administrator\\Desktop\\chapter11\\demo\\data\\discdata_processed.xls' lagnum = 12 #滞后阶数 data = pd.read_excel(discfile, index_col = 'COLLECTTIME') data = data.iloc[: len(data)-5] #不使用最后5个数据 xdata = data['CWXT_DB:184:D:\\'] from statsmodels.tsa.arima.model import ARIMA #建立ARIMA(0,1,1)模型 arima = ARIMA(xdata, order=(0, 1, 1)).fit() #建立并训练模型 xdata_pred = arima.predict(typ = 'levels') #预测 pred_error = (xdata_pred - xdata).dropna() #计算残差 print("预测值",xdata_pred) print("计算残差:",pred_error) from statsmodels.stats.diagnostic import acorr_ljungbox #白噪声检验 p= acorr_ljungbox(pred_error, lags = lagnum) print("p的值为：",p) m = p.iloc[:,1].sum() print("m的值为：",m) h = (m < 0.05) #p值小于0.05，认为是非白噪声。 if h > 0: print(u'模型ARIMA(0,1,1)不符合白噪声检验') else: print(u'模型ARIMA(0,1,1)符合白噪声检验')程序解读

这段程序的功能是进行ARIMA模型检验，包括建立ARIMA模型、预测、计算残差、白噪声检验，判断模型是否符合白噪声检验。

程序的具体步骤如下：

1. 导入需要的库，包括pandas、ARIMA、acorr_ljungbox等。

2. 定义数据文件路径和滞后阶数。

3. 读取数据文件，并删除最后5个数据，保留前面的数据。

4. 选取需要分析的数据列，即'CWXT_DB:184:D:\\'。

5. 建立ARIMA(0,1,1)模型，并训练模型。

6. 利用训练好的模型进行预测，并计算预测值和残差。

7. 进行白噪声检验，计算p值。

8. 对p值进行求和，得到m值。

9. 判断m值是否小于0.05，若是，则模型不符合白噪声检验，否则符合。

10. 打印输出检验结果。

需要注意的是，程序中的数据文件路径和数据列名需要根据实际情况进行修改。另外，程序中的ARIMA模型阶数和白噪声检验的滞后阶数也可以根据实际需求进行修改。