Un guide des prévisions de séries chronologiques avec ARIMA en Python 3 l`analyse de séries chronologiques comprend des méthodes pour analyser les données de séries chronologiques afin d`extraire des statistiques significatives et d`autres caractéristiques des données. La prévision de séries chronologiques est l`utilisation d`un modèle pour prédire les valeurs futures en fonction des valeurs précédemment observées. Bien que l`analyse de régression soit souvent employée de manière à tester les théories selon lesquelles les valeurs actuelles d`une ou de plusieurs séries temporelles indépendantes affectent la valeur actuelle d`une autre série temporelle, ce type d`analyse des séries chronologiques n`est pas appelé «analyse des séries chronologiques» , qui se concentre sur la comparaison des valeurs d`une série temporelle unique ou de plusieurs séries chronologiques dépendantes à différents moments dans le temps. [1] l`analyse des séries chronologiques interrompues est l`analyse des interventions sur une seule série temporelle. Les séries chronologiques sont très fréquemment tracées via des courbes. Les séries chronologiques sont utilisées dans les statistiques, le traitement du signal, la reconnaissance des motifs, l`économétrie, la finance mathématique, la prévision météorologique, la prédiction des tremblements de terre, l`électroencéphalographie, l`ingénierie de contrôle, l`astronomie, l`ingénierie des communications et en grande partie dans n`importe quel domaine de la science appliquée et de l`ingénierie qui implique des mesures temporelles. Les modèles pour les données de séries chronologiques peuvent avoir de nombreuses formes et représenter différents processus stochastiques. Lors de la modélisation des variations dans le niveau d`un processus, trois grandes classes d`importance pratique sont les modèles autorégressifs (AR), les modèles intégrés (I) et les modèles de moyenne mobile (MA). Ces trois classes dépendent linéairement des points de données précédents. [25] les combinaisons de ces idées produisent des modèles de moyenne mobile autorégressive (ARMA) et de moyenne mobile intégrée autorégressive (ARIMA).

Le modèle de la moyenne mobile autorégressive à intégration fractionnée (ARFIMA) généralise les trois premiers. Les extensions de ces classes pour traiter les données à valeur vectorielle sont disponibles sous la rubrique des modèles multivariés de séries chronologiques et parfois les acronymes précédents sont étendus en incluant un «V» initial pour «vecteur», comme dans VAR pour l`autorégression vectorielle. Un ensemble supplémentaire d`extensions de ces modèles est disponible pour une utilisation lorsque la série temporelle observée est entraînée par certaines séries chronologiques de «forçage» (qui peuvent ne pas avoir d`effet causal sur la série observée): la distinction du cas multivarié est que le forçage série peut être déterministe ou sous le contrôle de l`expérimentat. Pour ces modèles, les acronymes sont étendus avec un “X” final pour “exogène”. Je parle des méthodes de prédiction et de prévision. Une telle méthode, qui traite des données basées sur le temps est modélisation de série temporelle. Comme son nom l`indique, il s`agit de travailler sur des données basées sur le temps (années, jours, heures, minutes), afin d`obtenir des informations cachées pour prendre des décisions éclairées. Les procédures de modélisation et de prévision décrites dans identification des modèles dans les données chronologiques ont impliqué des connaissances sur le modèle mathématique du processus. Cependant, dans la recherche et la pratique de la vie réelle, les schémas des données ne sont pas clairs, les observations individuelles impliquent une erreur considérable, et nous avons encore besoin non seulement de découvrir les schémas cachés dans les données, mais aussi de générer des prévisions. La méthodologie ARIMA développée par Box et Jenkins (1976) nous permet de faire exactement cela; Il a acquis une popularité énorme dans de nombreux domaines et la pratique de la recherche confirme sa puissance et sa souplesse (Hoff, 1983; Pankratz, 1983; Vandaele, 1983).

Cependant, en raison de sa puissance et de sa souplesse, l`ARIMA est une technique complexe; Il n`est pas facile à utiliser, il exige beaucoup d`expérience, et bien qu`il produise souvent des résultats satisfaisants, ces résultats dépendent du niveau d`expertise du chercheur (bails & Peppers, 1982). Les sections suivantes introduiront les idées de base de cette méthodologie. Pour ceux qui s`intéressent à une brève, orientée applications (non-mathématiques), introduction aux méthodes ARIMA, nous recommandons McDowall, McCleary, Meidinger, et Hay (1980).