ARIMA模型拟合效果检验 代码示例

好的，以下是ARIMA模型拟合效果检验的代码示例：

import pandas as pd
from statsmodels.tsa.arima_model import ARIMA
from sklearn.metrics import mean_squared_error

# 读取数据
data = pd.read_csv('data.csv', index_col=0, parse_dates=True)
# 拆分训练集和测试集
train_data = data[:'2019']
test_data = data['2020':]

# 构建 ARIMA 模型
model = ARIMA(train_data, order=(1, 1, 1))
# 拟合模型
model_fit = model.fit(disp=False)

# 预测测试集
predictions = model_fit.forecast(steps=len(test_data))[0]

# 计算 MSE
mse = mean_squared_error(test_data, predictions)
print('MSE:', mse)

其中，`data.csv` 是包含时间序列数据的 CSV 文件，`train_data` 和 `test_data` 是分别代表训练集和测试集的 Pandas DataFrame。

在上面的代码中，我们使用了 `ARIMA` 类来创建 ARIMA 模型，并使用 `fit` 方法来拟合模型。然后，我们使用 `forecast` 方法来预测测试集的值，并计算预测值和测试集的均方误差（MSE）来评估模型的拟合效果。

需要注意的是，ARIMA 模型的参数需要根据具体情况进行调整，这里的 `(1, 1, 1)` 表示模型的三个参数分别为自回归项、差分项和移动平均项的阶数。在实际应用中，这些参数需要根据数据的特点进行调整。