Авторегрессионная (AR) модель: объяснение | Прогнозирование временных рядов на Python (сквозное м...

Авторегрессионная (АР) модель: объяснение | Прогнозирование временных рядов на Python (сквозной процесс)

В этом видео мы создадим полную авторегрессионную (АР) модель прогнозирования временных рядов на Python с использованием библиотеки Statsmodels.

Начиная с исходных данных, мы шаг за шагом пройдемся по подготовке данных, визуализации, проверке стационарности, выбору лагов, обучению модели, прогнозированию, оценке и диагностике остатков — точно так же, как это делается в реальных проектах.

Мы используем набор данных о ежедневных продажах кофе, чтобы объяснить, как АР-модель прогнозирует будущие значения, используя только прошлые наблюдения, что делает это видео идеальным для начинающих, студентов и работающих специалистов.

🔍 Что вы узнаете:

Что такое авторегрессионная (AR) модель и как она работает

Когда и почему AR-модели используются во временных рядах

Как проверить стационарность (тесты ADF и KPSS)

Объяснение скользящего среднего и дисперсии

Как выбрать оптимальные лаги AR с помощью AIC

Объяснение графиков ACF и PACF

Правильное разделение временных рядов на обучающую и тестовую выборки

Прогнозирование будущих значений с помощью AutoReg

Оценка модели с использованием MAE, RMSE и MAPE

Анализ остатков и тест Льюнга-Бокса

Как проверить статистическую корректность вашей AR-модели

🛠️ Используемые инструменты и библиотеки:

Python

Pandas

Matplotlib

Statsmodels

Scikit-learn

Jupyter Notebook

#анализвременныхрядов #временныеряды #AR