arima自动输出检验自相关性的最大阶数代码python

ARIMA模型自动输出检验自相关性的最大阶数可以使用acf和pacf函数进行实现。

acf函数计算自相关系数，pacf函数计算偏自相关系数，通过观察它们的截尾点来选择ARIMA模型的阶数。

下面是一个示例代码，其中使用了acf和pacf函数来计算自相关系数和偏自相关系数，然后使用plt.plot函数绘制自相关系数和偏自相关系数的图像。

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import adfuller
from statsmodels.tsa.arima_model import ARIMA

def test_stationarity(timeseries):
    #Determing rolling statistics
    rolmean = timeseries.rolling(window=12).mean()
    rolstd = timeseries.rolling(window=12).std()

    #Plot rolling statistics:
    orig = plt.plot(timeseries, color='blue',label='Original')
    mean = plt.plot(rolmean, color='red', label='Rolling Mean')
    std = plt.plot(rolstd, color='black', label = 'Rolling Std')
    plt.legend(loc='best')
    plt.title('Rolling Mean & Standard Deviation')
    plt.show(block=False)

    #Perform Dickey-Fuller test:
    print('Results of Dickey-Fuller Test:')
    dftest = adfuller(timeseries, autolag='AIC')
    dfoutput = pd.Series(dftest[0:4], index=['Test Statistic','p-value','#Lags Used','Number of Observations Used'])
    for key,value in dftest[4].items():
        dfoutput['Critical Value (%s)'%key] = value
    print(dfoutput)

def acf_pacf(ts, lags=31):
    f = plt.figure(facecolor='white')
    ax1 = f.add_subplot(211)
    plot_acf(ts, lags=lags, ax=ax1)
    ax2 = f.add_subplot(212)
    plot_pacf(ts, lags=lags, ax=ax2)
    plt.show()

# 读取数据
data = pd.read_csv('AirPassengers.csv')
data = data['#Passengers']

# 检验数据平稳性
test_stationarity(data)

# 计算自相关系数和偏自相关系数
acf_pacf(data, lags=30)

运行以上代码后，会输出自相关系数和偏自相关系数的图像，可以根据图像的截尾点选择ARIMA模型的阶数。