1 数据&库函数

import numpy as np
import pandas
import statsmodels.api as sm
from statsmodels.tsa.api import VAR
mdata = sm.datasets.macrodata.load_pandas().datadates = mdata[['year', 'quarter']].astype(int).astype(str)quarterly = dates["year"] + "Q" + dates["quarter"]mdata = mdata[['realgdp','realcons','realinv']]mdata.index = pandas.DatetimeIndex(quarterly)data = np.log(mdata).diff().dropna()

2 VAR

VAR类假设过去的时间序列是平稳的。非平稳数据通常可以通过一阶差分或其他方法转换为平稳数据。对于直接分析非平稳时间序列，一个标准的稳定VAR(p)模型是不合适的。

判断数据平稳性，可以用：statsmodels笔记：判断数据平稳性（adfuller）_UQI-LIUWJ的博客-CSDN博客

class statsmodels.tsa.vector_ar.var_model.VAR(endog)

endog就是要传入VAR的数据

举例：

model = VAR(data)

2.1 方法&属性

fit(maxlags)	喂入最大的时延（最多考虑过去多久的自回归），fit数据
summary	对模型的分析
k_ar	这个model对应的maxlag值
select_order	`VAR.select_order(maxlags=None,trend='c')` 基于每个可用信息标准计算滞后顺序选择 (滞后顺序的选择可能是一个困难的问题。标准分析采用似然检验或基于信息准则的顺序选择。VAR已经实现了后者) AIC和BIC需要越小越好，算法笔记：ARIMA_UQI-LIUWJ的博客-CSDN博客通过上面的输出，我们可以发现lag取1或者3的时候比较好

2.2 绘图

2.2.1 plot()

就是把不同的time series分别画出来

m=model.fit(9)
m.plot()

2.2.2 绘制时间序列自相关函数

ACF理论部分见：算法笔记：ARIMA_UQI-LIUWJ的博客-CSDN博客

m.plot_acorr()

2.2.3 plot_forecast

预测值和上下2个标准差的区间

3 预测

线性预测器是基于均方误差的最优h步提前预测:

我们可以使用预测函数来生成这个预测。请注意，我们必须指定预测的“初始值”:

m.forecast(data.values[-2:], 5)
'''
array([[ 0.00502587,  0.0053712 ,  0.0051154 ],[ 0.00593683,  0.00784779, -0.00302473],[ 0.00662889,  0.00764349,  0.00393308],[ 0.00731516,  0.00797044,  0.00657495],[ 0.00732726,  0.00808811,  0.00649793]])
'''

表示以哪几个数字开始，向后预测几个时间片

array([[ 0.00502587,  0.0053712 ,  0.0051154 ],[ 0.00593683,  0.00784779, -0.00302473],[ 0.00662889,  0.00764349,  0.00393308],[ 0.00731516,  0.00797044,  0.00657495],[ 0.00732726,  0.00808811,  0.00649793]])

statsmodels 笔记：VAR相关推荐

statsmodels 笔记 STL
理论部分见:机器学习笔记: 时间序列分解 STL_UQI-LIUWJ的博客-CSDN博客 1 基本用法 class statsmodels.tsa.seasonal.STL(endog, perio ...
statsmodels 笔记：自回归模型 AutoReg
理论部分"算法笔记:ARIMA_UQI-LIUWJ的博客-CSDN博客 1 基本用法 class statsmodels.tsa.ar_model.AutoReg(endog, lags, ...
statsmodels笔记：绘制ACF和PACF
理论部分见算法笔记:ARIMA_UQI-LIUWJ的博客-CSDN博客 3.1 & 3.2 1 绘制自相关函数ACF from statsmodels.graphics.tsaplots i ...
statsmodels 笔记：seasonal_decompose 时间序列分解
1 使用方法 statsmodels.tsa.seasonal.seasonal_decompose(x, model='additive', filt=None, period=None, two_ ...
JavaScript笔记 var e=e||window.event
你是如何理解var e=e||window.event的?相信很多人都能给我个回答说是:为了实现多种浏览器兼容. 不错,确实是为了实现浏览器兼容,但是它又是如何实现浏览器兼容的呢? 其实,如果把他写全 ...
Unity3d学习笔记 var 关键字
Unity中写脚本用C#的时候,那么当返回值不是固定的怎么办? var关键字 var 是3.5新出的一个定义变量的类型其实也就是弱化类型的定义 VAR可代替任何类型编译器会根据上下文来判断你到底是 ...
Cesium学习笔记（四）Camera
http://blog.csdn.net/HobHunter/article/details/74909641 Cesium 相机控制场景中的视野.操作相机的方法有很多,如旋转,缩放,平移和飞到目的地 ...
HTML5与移动端web学习笔记
概述 HTML5 提供了很多新的功能,主要有: 全选复制放进笔记新的 HTML 元素,例如 section, nav, header, footer, article 等用于绘画的 Canvas ...
python库整理目录
zip与zip(*)_刘文巾的博客-CSDN博客 python函数整理_刘文巾的博客-CSDN博客 python笔记:正则表达式_刘文巾的博客-CSDN博客 python笔记:深拷贝与浅拷贝_刘文巾 ...

statsmodels 笔记：VAR

1 数据&库函数

2 VAR

2.1 方法&属性

fit(maxlags)

summary

k_ar

select_order