arima时间序列预测模型p、q值定阶代码

下面是一些Python代码，演示如何使用ACF和PACF法和信息准则法来定阶。

使用ACF和PACF法：

import statsmodels.api as sm
import matplotlib.pyplot as plt

# 读取时间序列数据
data = sm.datasets.sunspots.load_pandas().data

# 绘制ACF和PACF图像
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12,8))
sm.graphics.tsa.plot_acf(data.SUNACTIVITY.values.squeeze(), lags=40, ax=ax1)
sm.graphics.tsa.plot_pacf(data.SUNACTIVITY.values.squeeze(), lags=40, ax=ax2)
plt.show()

使用信息准则法：

import pandas as pd
import statsmodels.api as sm

# 读取时间序列数据
data = sm.datasets.sunspots.load_pandas().data

# 计算不同p、q值下的AIC和BIC
results = []
for p in range(6):
    for q in range(6):
        try:
            model = sm.tsa.ARIMA(data.SUNACTIVITY, order=(p, 1, q)).fit()
            aic = model.aic
            bic = model.bic
            results.append((p, q, aic, bic))
        except:
            pass

# 将结果转换成DataFrame
df_results = pd.DataFrame(results, columns=['p', 'q', 'AIC', 'BIC'])

# 找到AIC和BIC最小的p、q值
best_aic = df_results.sort_values('AIC').iloc[0]
best_bic = df_results.sort_values('BIC').iloc[0]

print(f'Best AIC: p={best_aic.p}, q={best_aic.q}, AIC={best_aic.AIC:.2f}')
print(f'Best BIC: p={best_bic.p}, q={best_bic.q}, BIC={best_bic.BIC:.2f}')

以上代码仅供参考，具体实现可能会因为数据来源和需求的不同而有所差异。