8

我正在比较 R (3.3.1) 预测包 (7.3) 和 Python (3.5.2) statsmodels (0.8) 之间的 SARIMAX 拟合结果。

R代码是：

    library(forecast)
    data("AirPassengers")
    Arima(AirPassengers, order=c(2,1,1), seasonal=list(order=c(0,1,0), 
    period=12))$aic
    [1] 1017.848

Python代码是：

    from statsmodels.tsa.statespace import sarimax
    import pandas as pd
    AirlinePassengers = 
    pd.Series([112,118,132,129,121,135,148,148,136,119,104,118,115,126,
              141,135,125,149,170,170,158,133,114,140,145,150,178,163,                       
              172,178,199,199,184,162,146,166,171,180,193,181,183,218,
              230,242,209,191,172,194,196,196,236,235,229,243,264,272,
              237,211,180,201,204,188,235,227,234,264,302,293,259,229,
              203,229,242,233,267,269,270,315,364,347,312,274,237,278,
              284,277,317,313,318,374,413,405,355,306,271,306,315,301,
              356,348,355,422,465,467,404,347,305,336,340,318,362,348,
              363,435,491,505,404,359,310,337,360,342,406,396,420,472,
              548,559,463,407,362,405,417,391,419,461,472,535,622,606,
              508,461,390,432])
    AirlinePassengers.index = pd.DatetimeIndex(end='1960-12-31', 
                              periods=len(AirlinePassengers), freq='1M')
    print(sarimax.SARIMAX(AirlinePassengers,order=(2,1,1),
          seasonal_order=(0,1,0,12)).fit().aic)

引发错误：ValueError：发现enforce_stationarity设置为 True 的非平稳起始自回归参数。

如果我将enforce_stationarity（和enforce_invertibility，这也是必需的）设置为False，则模型拟合有效，但AIC 非常差（> 1400）。

对相同的数据使用其他一些模型参数，例如 ARIMA(0,1,1)(0,0,1)[12] 我可以从 R 和 Python 获得相同的结果，并在 Python 中启用平稳性和可逆性检查。

我的主要问题是：什么解释了某些模型参数的行为差异？statsmodels 的可逆性检查是否与预测的 Arima 不同，另一个是否“更正确”？

我还发现了一个与修复 statsmodels 中的可逆性计算错误相关的拉取请求：https ://github.com/statsmodels/statsmodels/pull/3506

使用来自 Github 的最新源代码重新安装 statsmodels 后，我仍然得到与上面代码相​​同的错误，但是设置 enforce_stationarity=False 和 enforce_invertibility=False 我得到的 aic 约为 1010，低于 R 的情况。但模型参数也有很大不同。

4

0 回答 0