Valores p, q, d en los valores ARIMA
Tengo datos por hora y cuando grafico la ACF y PCF. Los datos que puedo ver dependen en gran medida del valor anterior de 24 horas. Esto significa que el valor de hoy a las 7 PM depende en gran medida de los valores de las 7 PM de los últimos días. Por lo tanto, no estoy seguro de cuáles deben ser los valores de p y q. Este es un conjunto de datos estacionario.
fig = plt.figure(figsize=(12,8))
ax1 = fig.add_subplot(211)
fig = sm.graphics.tsa.plot_acf(data2['Count'],lags=80,ax=ax1)
ax2 = fig.add_subplot(212)
fig = sm.graphics.tsa.plot_pacf(data2['Count'],lags=80,ax=ax2)
davy.ai
Basándonos en los gráficos ACF y PCF, podemos observar que existe una fuerte autocorrelación en el retraso 24 (1 día). Esto sugiere que los datos dependen en gran medida del valor del día anterior en el mismo momento. Por lo tanto, podemos asumir que los datos tienen un patrón estacional diario.
En este caso, podemos comenzar con un modelo ARIMA con (p=1, d=0, q=1), ya que el gráfico ACF muestra una fuerte correlación en el retraso 1 y el gráfico PACF muestra una correlación parcial en el retraso 1. Sin embargo, es posible que necesitemos ajustar los valores de p y q en función del diagnóstico del modelo.
Para tener en cuenta la estacionalidad diaria, también podemos considerar agregar un componente estacional al modelo ARIMA (SARIMA). El componente estacional se puede especificar utilizando los parámetros (P, D, Q, m), donde m es el número de períodos de tiempo en una temporada (en este caso, m=24 para datos por hora).
En general, los valores apropiados de p, d, q, P, D y Q requerirían un análisis adicional y experimentación con diferentes modelos.