Pythonによる時系列分析の基礎

Pythonを使った時系列解析の方法について説明します。
時系列データの読み込みから、図示、自己相関などの統計量の計算といった基礎から始めて、自動SARIMAモデル推定までを説明します。
この記事を読めば、簡単なBox-Jenkins法についてはPythonで実装する方法が身につくかと思います。

JupyterNotebookでの実行結果はリンク先から確認できます。

 

スポンサードリンク




スポンサードリンク

目次

  1. 時系列分析とは
  2. 時系列データの読み込み
  3. 時系列データの取り扱い
  4. 自己相関係数の推定
  5. ARIMAモデルの推定
  6. SARIMAモデルの推定
  7. 総当たり法によるSARIMAモデル次数の決定

 

1.時系列分析とは

時系列分析とは、その名の通り、時系列データを解析する手法です。
時系列データとは、例えば「毎日の売り上げデータ」や「日々の気温のデータ」、「月ごとの飛行機乗客数」など、毎日(あるいは毎週・毎月・毎年)増えていくデータのことです。
時系列データには「昨日の売り上げと今日の売り上げが似ている」といった関係性を持つことがよくあります。
そのため、時系列データをうまく使えば、昨日の売り上げデータから、未来の売り上げデータを予測することができるかもしれません。

時系列解析を学ぶことで、過去から未来を予測するモデルを作成することができます。

R言語を使った時系列分析の考え方については『時系列解析_理論編』や『時系列分析_実践編』を参照してください。

ここでは、人気のPythonを使った時系列分析の方法、ひいてはモデル化を通した将来予測の方法について説明します。
なお、この記事では、ARIMAモデルを主としたBox-Jenkins法のみを取り扱います。ARIMAモデルとは何か、といったことが知りたければ『時系列解析_理論編』を参照してください。

またPythonやJupyterNotebookの使い方がよくわからないという方は『Pythonの簡単な使い方』を参照してください。Anacondaのインストールは済んでいるという前提で解析を進めていきます。

なお、今回の解析は、以下の条件で実行しました。
OS:Windows
Pythonのバージョン:Python 3.6.0 :: Anaconda custom (64-bit)

 

2.時系列データの読み込み

Jupyter NoteBookの計算結果はこちらに載せてあります。

まずは、必要となるライブラリを一気に読み込みましょう。

★2018年7月7日追記
sns.set()を追加しました。これによりseabornを用いたグラフの装飾が自動で行われます。

# 基本のライブラリを読み込む
import numpy as np
import pandas as pd
from scipy import stats

# グラフ描画
from matplotlib import pylab as plt
import seaborn as sns
%matplotlib inline
sns.set()

# グラフを横長にする
from matplotlib.pylab import rcParams
rcParams['figure.figsize'] = 15, 6

# 統計モデル
import statsmodels.api as sm

今回は、月ごとの飛行機の乗客数データを対象とします。期間は1949年1月から1960年12月までです。
初出は「Box, G. E. P., Jenkins, G. M. and Reinsel, G. C. (1976) Time Series Analysis, Forecasting and Control. Third Edition. Holden-Day. Series G.」となります。
以下のURLから、データの詳細を確認できます(R言語の記事です)
https://stat.ethz.ch/R-manual/R-devel/library/datasets/html/AirPassengers.html

R言語では組み込みデータセットとして用意されているのですが、Pythonだと見当たらなかったので、CSVファイルから読み込みます。
以下のサイトにファイルがあったので、それを使いました。
なお、このサイトにもPython時系列分析のコードが載っており、大変参考になりました(英語ですが)。

A comprehensive beginner’s guide to create a Time Series Forecast (with Codes in Python)

ダウンロードする対象のファイルのリンクも張っておきます(外部サイトです)
AirPassengers

なお、このデータの1列目は日付です。そのためExcelなどで開いてから保存すると、よくわからない形式に変換されてしまうので気を付けてください。ファイルを開く場合は、メモ帳などのテキストエディタを使うようにしてください。

それでは、データを読み込みましょう。
まずは普通の読み込み方です。

# 普通にデータを読み込む
# https://stat.ethz.ch/R-manual/R-devel/library/datasets/html/AirPassengers.html
dataNormal = pd.read_csv('AirPassengers.csv')
dataNormal.head()

データを読み込むことはできるのですが、このやり方だと1列目も「データ」として扱われてしまいます。
1列目は単なる日付です。
なので「1列目は日付のインデックスなのだ」と指定をして読み込む必要があります。
また、後ほどSARIMAモデルなどを推定するのですが、このとき、データがint型(整数)のままだとエラーとなってしまいます。
そこで、以下のように読み込みます。

# 日付形式で読み込む(dtype=floatで読み込まないと、あとでARIMAモデル推定時にエラーとなる)
dateparse = lambda dates: pd.datetime.strptime(dates, '%Y-%m')
data = pd.read_csv('AirPassengers.csv', index_col='Month', date_parser=dateparse, dtype='float')
data.head()

 
★2018年7月7日追記
単純な日付形式だった場合は、以下のように読み込む方が簡単です。

# 以下のコードの方が読み込みは簡単
data = pd.read_csv('AirPassengers.csv', 
                   index_col='Month', 
                   parse_dates=True, 
                   dtype='float')
data.head()

 

JupyterNotebookの結果を見ていただいた方がわかりよいと思いますが、1列目がただの日付のインデックスになっています。
データは月単位なのですが、それに日数を追加しています(すべて1日目だということにしています)。こうすることで、日付として扱いやすくなります。

1列だけのデータとなりましたので、わざわざデータフレームで持っておく必要もありません。
乗客数のSeriesだけを取り出して「ts」という名前の変数に格納します。
以降は、この「ts」という変数を使って解析を進めていきます。

# 日付形式にする
ts = data['#Passengers'] 
ts.head()

 

3.時系列データの取り扱い

この節の計算結果はリンク先から見ることができます。

まずは、データをプロットします。
グラフを描かなければ、データ分析は始まりません。

以下の1行でプロットできます。

plt.plot(ts)

グラフを描くと、それだけでいろいろなことがわかります。
まずは、乗客数が年々増えているということ。
それから、季節ごとに乗客数が周期的に変わりそうだということ。

季節変動の有無などは後ほどモデル化するのですが。まずは時系列データの取り扱いに慣れていきましょう。

特定の年月のデータを取得する場合は、以下のようにします。

# データの取得方法その1
ts['1949-01-01']

# データの取得方法その2
from datetime import datetime
ts[datetime(1949,1, 1)]

# 1949年のデータをすべて取ってくる
ts['1949']

3種類のデータの取得方法をまとめて載せました。
各々の結果はリンク先も併せて見てみてください。

1つ目と2つ目は同じ結果となります。
各々1949年の1月のデータのみが取得されます。

面白いのは3つ目の方法で、年だけを指定すると、その1年間のデータすべて、すなわち月単位データなので12個のデータが取得されます。

次はデータのシフトと差分のとり方です。
シフトとは、文字通り「データをずらす」ことを指します。データをずらすことで、データの差分を簡単にとることができるようになります。
例えば1949年の2月は1月に比べてどれほど乗客数が増えたのか、を調べたい場合は、差分をとればよいです。
また時系列解析の場合は、対数差分をとることも多くあります。
対数差分は近似的に「変動率」を表す指標となります。また対数をとることでデータがモデルにフィットしやすくなるというメリットもあります。
今回は対数差分系列は使いませんが、その計算方法だけ確認しておいてください。

シフト演算、差分、対数差分の計算の仕方をまとめて載せます。

シフトは『shift()』関数を適用します。

ts.shift()

頭だけ取り出すとこんな感じ。

ts.shift().head()

結果はこちら。

Month
1949-01-01 NaN
1949-02-01 112.0
1949-03-01 118.0
1949-04-01 132.0
1949-05-01 129.0
Name: Passengers, dtype: float64

差分は、シフトする前から、シフトした後を引けばいいです。


diff = ts – ts.shift()
diff.head()

結果はこちら

Month
1949-01-01 NaN
1949-02-01 6.0
1949-03-01 14.0
1949-04-01 -3.0
1949-05-01 -8.0
Name: Passengers, dtype: float64

 
★2018年7月7日追記
差分系列は以下のようにdiff関数を使うと、より簡単に得られます。

# こちらの方が簡単
ts.diff().head()

結果は同じなので省略します。

 

対数差分は、単に対数をとってから差分するだけです。

logDiff = np.log(ts) – np.log(ts.shift())

結果に「NaN」が出ているのが気になる場合は、以下のように『dropna」関数を適用します。

logDiff.dropna()

 

4.自己相関係数の推定

前期と今期がどれだけ似ているか、を表すのが「自己相関」です。
正の自己相関があれば、先月の乗客数が多ければ、今月も多いということがわかります。
負の自己相関であれば、その逆です。

ただ、自己相関だけではやや解釈が難しくなることがあります。
例えば、正の自己相関を持っていたとしましょう。
すると「昨日と今日が似ている」ということに加えて「一昨日と昨日が似ている」という状況になるでしょう。
すると「一昨日と今日」は似ているのでしょうか、それともあまり似ていないのでしょうか。ちょっと判別が難しくなります。
そこで「ほかの日は無視して、特定の日のみとの自己相関が見たい」というニーズが生まれます。
これができるのが『偏自己相関』です。先ほどの例だと「一昨日と昨日が似ている」というのを無視して、純粋に「一昨日と今日の関係」を調べることができます。

# 自己相関を求める
ts_acf = sm.tsa.stattools.acf(ts, nlags=40)
ts_acf

# 偏自己相関
ts_pacf = sm.tsa.stattools.pacf(ts, nlags=40, method='ols')
ts_pacf

結果は長いので、リンク先を参照してください。

自己相関のグラフを描くこともできます。

#  自己相関のグラフ
fig = plt.figure(figsize=(12,8))
ax1 = fig.add_subplot(211)
fig = sm.graphics.tsa.plot_acf(ts, lags=40, ax=ax1)
ax2 = fig.add_subplot(212)
fig = sm.graphics.tsa.plot_pacf(ts, lags=40, ax=ax2)

偏自己相関のグラフ(2つ目のグラフ)を見ると、やはり12か月周期のそうかんがはっきりとみられます。
季節的な周期変動があることがわかります。
また、前月の乗客数が多ければ、当月も多くなることもグラフからわかります。



スポンサードリンク

 

5.ARIMAモデルの推定

続いて、モデル化をしましょう。
まずは一般的なARIMAモデルを推定します。
ARIMAモデルの何たるかは『時系列解析_理論編』を参照してください。
とりあえず標準的な時系列モデルです。

Pythonだと、自動でARMAの次数を決めてくれる関数はあるのですが、なぜか「ARMA」の次数しか決めてくれません。
すなわち、何回差分をするか、ということは自動では決めてくれない。

まあ、今回のデータはぱっと見で和分過程っぽいので、差分をとってから解析をすることとします。
差分をとるかどうかの判断については、最後の「自動SARIMAモデル推定」の節で改めて議論します。
結論から言うと、自分でforループを回して最適な次数を調べてやらなくてはなりません。

ここでは、決め打ちで1回差分をしてから、自動AMRA次数決定関数を適用することとします。

まとめてコードを載せます。

# たぶん和分過程なので、差分をとる
diff = ts - ts.shift()
diff = diff.dropna()

# 差分系列への自動ARMA推定関数の実行
resDiff = sm.tsa.arma_order_select_ic(diff, ic='aic', trend='nc')
resDiff

差分系列の作成に関しては説明済みなので省略します。dropnaで邪魔なNaNを消していることだけ注意してください。

『arma_order_select_ic』という関数を使うことで、ARMAの次数を決定できます。
引数としては、対象データ、情報量規準として何を使うか(ほかにはBICなどが使えます)、そしてトレンドの有無です。

原系列にはトレンドがありそうだったのですが、差分をとるとぱっと見、トレンドがなさそうだったので、今回は入れていません(本来は「ぱっと見」ではなくちゃんと確認しないといけないです。念のため)

細かい結果はリンク先を見ていただくとして、とにかく『’aic_min_order’: (3, 2)』という結果が得られます。
ARMA(3,2)が最も良いということとなりました。

最適な次数が分かったので、それでモデルを組みなおします。

# P-3, q=2 が最善となったので、それをモデル化
from statsmodels.tsa.arima_model import ARIMA
ARIMA_3_1_2 = ARIMA(ts, order=(3, 1, 2)).fit(dist=False)
ARIMA_3_1_2.params

結果はこちら

const 2.673501
ar.L1.D.#Passengers 0.261992
ar.L2.D.#Passengers 0.367827
ar.L3.D.#Passengers -0.363472
ma.L1.D.#Passengers -0.075005
ma.L2.D.#Passengers -0.924805
dtype: float64

ただ、このモデルには実は欠点があります。
周期的な季節変動をうまくモデル化できていないのです。

残差の自己相関を見ると、一目瞭然です。

# 残差のチェック
# SARIMAじゃないので、周期性が残ってしまっている。。。
resid = ARIMA_3_1_2.resid
fig = plt.figure(figsize=(12,8))
ax1 = fig.add_subplot(211)
fig = sm.graphics.tsa.plot_acf(resid.values.squeeze(), lags=40, ax=ax1)
ax2 = fig.add_subplot(212)
fig = sm.graphics.tsa.plot_pacf(resid, lags=40, ax=ax2)

12か月周期で、ピョコンピョコンと高い自己相関が残差に現れていることに注意してください。
これではだめだ、ということで、季節変動ありのARIMA、すなわちSARIMAモデルを使うこととなります。

 

6.SARIMAモデルの推定

計算結果はリンク先を参照してください。

SARIMAモデルを推定する前に、注意点があります。
SARIMAモデルは「statsmodels」というライブラリを使って計算するのですが、こいつのバージョン0.8.0以上でなければSARIMAモデルが入っていません。
SARIMAモデルを推定しようとして「そんな計算はできません」とPythonに怒られた場合は、statmodelsのバージョンを上げてください。

WindowsでAnacondaを使用している場合は、コマンドプロンプトを起動して、以下のコマンドを実行すればOKです。

conda install -c taugspurger statsmodels=0.8.0

準備ができたので、SARIMAモデルを推定します。
季節変動については、次数は決め打ちとします。

# SARIMAモデルを「決め打ち」で推定する
import statsmodels.api as sm

SARIMA_3_1_2_111 = sm.tsa.SARIMAX(ts, order=(3,1,2), seasonal_order=(1,1,1,12)).fit()
print(SARIMA_3_1_2_111.summary())

『SARIMAX』という関数を使います。
名前に「X」が入っているのですが、これは回帰分析のように「外部のほかの変数もモデルに組み込むことができる」ということを意味しています。
今回は一変数のみで行きます。

order=(3,1,2)でARIMAモデルの次数を、seasonal_order=(1,1,1,12)で季節変動の次数を設定します。
seasonal_order=(1,1,1,12)の最後の「12」は「12か月周期」であることを意味しています。なので、実質は(sp,sd,sq)=(1,1,1)です。

結果はこちら。
計算中に、最尤法の結果が収束していないという旨のワーニングが出てしまったのですが、とりあえず無視して先に進みます。

                                 Statespace Model Results                                 
==========================================================================================
Dep. Variable:                         Passengers   No. Observations:                  144
Model:             SARIMAX(3, 1, 2)x(1, 1, 1, 12)   Log Likelihood                -502.990
Date:                            Sat, 27 May 2017   AIC                           1021.980
Time:                                    18:50:26   BIC                           1045.738
Sample:                                01-01-1949   HQIC                          1031.634
                                     - 12-01-1960                                         
Covariance Type:                              opg                                         
==============================================================================
                 coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------
ar.L1          0.5383      1.665      0.323      0.747      -2.725       3.802
ar.L2          0.2830      0.969      0.292      0.770      -1.617       2.183
ar.L3         -0.0346      0.407     -0.085      0.932      -0.832       0.762
ma.L1         -0.9231      1.690     -0.546      0.585      -4.236       2.390
ma.L2         -0.0519      1.658     -0.031      0.975      -3.302       3.198
ar.S.L12      -0.8773      0.285     -3.077      0.002      -1.436      -0.318
ma.S.L12       0.7839      0.370      2.116      0.034       0.058       1.510
sigma2       124.6735     14.315      8.709      0.000      96.616     152.731
===================================================================================
Ljung-Box (Q):                       51.03   Jarque-Bera (JB):                13.51
Prob(Q):                              0.11   Prob(JB):                         0.00
Heteroskedasticity (H):               2.60   Skew:                             0.14
Prob(H) (two-sided):                  0.00   Kurtosis:                         4.55
===================================================================================

まず目を引くのが「Statespace Model Results」というヘッダーです。
お前、いつの前に状態空間モデルが出てきたんだよ、という感じなのですが、どうも内部でパラメタ推定にカルマンフィルタを使っているようです。
状態空間モデルを使うことでBox-Jenkins法を統一的に取り扱うことができます。実際の計算にもこれを使っているのでしょう。

summaryの結果には、AICなどの情報量規準の一覧に加え、推定された係数も表示されています。
完ぺきな結果かといわれると、残念ながらそうではなさそうですが、とりあえずこのまま進めます。

残差の自己相関については、ほぼ問題なくなったでしょう。

# 残差のチェック
residSARIMA = SARIMA_3_1_2_111.resid
fig = plt.figure(figsize=(12,8))
ax1 = fig.add_subplot(211)
fig = sm.graphics.tsa.plot_acf(residSARIMA.values.squeeze(), lags=40, ax=ax1)
ax2 = fig.add_subplot(212)
fig = sm.graphics.tsa.plot_pacf(residSARIMA, lags=40, ax=ax2)

モデルが組めたので、予測をしてみます。

# 予測
pred = SARIMA_3_1_2_111.predict('1960-01-01', '1961-12-01')

# 実データと予測結果の図示
plt.plot(ts)
plt.plot(pred, "r")

予測にはそのまま『predict(予測開始日, 予測終了日)』関数を使うのですが、予測対象となる日付は「もともとのサンプルに含まれていた日付」からスタートする必要があることに注意してください。
データは1960年12月まであります。将来を予測したいのだから、1961年の1月スタートで予測したくなるのですが、そうするとエラーになります。

予測結果はこちら。
周期性も併せて予測ができました。

 

7.総当たり法によるSARIMAモデル次数の決定

実行結果はリンク先を参照してください。

最後に、SARIMAモデルの次数を決定する自作のプログラムを書いてみます。
やることは総当たりで次数を変えていき、AICを計算し、比較をしていくだけなのですが、いくつかはまりポイントがあったので、共有できればと思います。

まずは、AICを格納する入れ物を用意します。
最大次数を決めておけば、何パタンのモデルが作られるかを計算して求めることができるので、あらかじめ繰り返し数を求めておき、その分だけ行数を確保します。

次数に関しては、以下のルールで表記します。
ARIMA(p, d, q)
季節(sp, sd, sq)
各々、
pは自己回帰モデルの次数:AR(p)、
qは移動平均モデルの次数:MA(q)、
dは差分をとる回数:I(d)
です。

# 総当たりで、AICが最小となるSARIMAの次数を探す
max_p = 3
max_q = 3
max_d = 1
max_sp = 1
max_sq = 1
max_sd = 1

pattern = max_p*(max_q + 1)*(max_d + 1)*(max_sp + 1)*(max_sq + 1)*(max_sd + 1)

modelSelection = pd.DataFrame(index=range(pattern), columns=["model", "aic"])
pattern

これを実行すると、パターンの数は「192」となります。すなわち192回繰り返しSARIMAモデルを推定するということです。
最大次数を「3」にしたのは、ただの経験則です。これを増やすと、それだけ多くの時間がかかってしまう点だけ注意してください。
季節の次数に関しては、大きくならないイメージがあるので、小さめにとっています。
コンピュータの資源に自信がある方は、もっと大きな数値を設定してください。

なお、patternの数の計算式(9行目)においてmax_pだけプラス1されていませんが、これは誤植ではありません。
ARIMAモデルのAR項の次数を0にして実行すると、エラーが頻発してしまったため、あえてAR項は「最低次数は1とする」という条件でループさせています。
そのため、このようなやや歪な回数だけ計算を実行させることになります。

実際にSARIMAモデルを推定するコードはこちらです。
ひたすらループを回すだけです。

# 自動SARIMA選択
num = 0

for p in range(1, max_p + 1):
    for d in range(0, max_d + 1):
        for q in range(0, max_q + 1):
            for sp in range(0, max_sp + 1):
                for sd in range(0, max_sd + 1):
                    for sq in range(0, max_sq + 1):
                        sarima = sm.tsa.SARIMAX(
                            ts, order=(p,d,q), 
                            seasonal_order=(sp,sd,sq,12), 
                            enforce_stationarity = False, 
                            enforce_invertibility = False
                        ).fit()
                        modelSelection.ix[num]["model"] = "order=(" + str(p) + ","+ str(d) + ","+ str(q) + "), season=("+ str(sp) + ","+ str(sd) + "," + str(sq) + ")"
                        modelSelection.ix[num]["aic"] = sarima.aic
                        num = num + 1

pythonは中カッコを使わず、インデントでループなどを表現するのですが、ここまで多くのループを入れ子にすると、ちょっと読みづらいですね。

ここで注意してほしいのは、SARIMAX関数の中で使われている引数です。
13,14行目に各々『enforce_stationarity = False』『enforce_invertibility = False』という指定をしています。
これがないとエラーがたくさん出てきて、ループを回すどころではなくなるので注意してください。

和分過程に対して、普通の自己回帰モデルなどを適用する際に「定常過程のモデルを推定しなければならない → enforce_stationarity = True」を指定していると、そもそもモデルが推定できませんね。
普通は和分過程を相手にする場合は、必ず差分をとってから自己回帰モデルを適用するのですが、今回は次数を総当たりで変えているため、「和分過程に自己回帰モデルを適用する」という計算が行われてしまいます。
そこでエラーをなくすために無理やりこんな指定をしています。
普通は「和分過程に自己回帰モデルを適用」したような結果が選ばれることはないのですが、AIC最小だからといって手放しにそれを採用するのではなく、「まともな」次数になっているかどうかを確認してから使うようにしてください。

なお「enforce_invertibility」は移動平均モデルの反転可能条件を維持するかどうかの指定です。これもFalseにしないとエラーだらけになります。

また、エラーは出なくなったものの、パラメタ推定の結果が「収束していない」というワーニングが大量に出てきます。

★2017年5月28日追記
コードの15行目、モデルをフィットさせる際、以下のように最適化の方法を変更+繰り返し数を増加させると、ワーニングの数を減らすことができました。
それでもすべてではなく、いくつかはワーニングが出ます。
fit(method=’bfgs’, maxiter=300, disp=False)

選ばれた結果は過剰に信用するのではなく、ある程度疑ってかかりながら解析を進めるしかないかと思います。

数分で結果が出てきます。
AIC最小モデルを拾ってくると、こうなります。

# AIC最小モデル
modelSelection[modelSelection.aic == min(modelSelection.aic)]

    model                aic
187  order=(3,1,3), season=(0,1,1)   898.105

order=(3,1,3), season=(0,1,1)がAIC最小モデルとなったので、この次数を使ってもう一度SARIMAモデルを組みなおします。

#
#
bestSARIMA = sm.tsa.SARIMAX(ts, order=(3,1,3), seasonal_order=(0,1,1,12), enforce_stationarity = False, enforce_invertibility = False).fit()

print(bestSARIMA.summary())

結果はこちら。

                                 Statespace Model Results                                 
==========================================================================================
Dep. Variable:                         Passengers   No. Observations:                  144
Model:             SARIMAX(3, 1, 3)x(0, 1, 1, 12)   Log Likelihood                -441.052
Date:                            Sat, 27 May 2017   AIC                            898.105
Time:                                    18:53:24   BIC                            921.863
Sample:                                01-01-1949   HQIC                           907.759
                                     - 12-01-1960                                         
Covariance Type:                              opg                                         
==============================================================================
                 coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------
ar.L1         -0.2231      0.097     -2.302      0.021      -0.413      -0.033
ar.L2         -0.1642      0.108     -1.515      0.130      -0.377       0.048
ar.L3          0.7244      0.094      7.704      0.000       0.540       0.909
ma.L1         -0.0837    121.897     -0.001      0.999    -238.997     238.829
ma.L2          0.1221    152.640      0.001      0.999    -299.046     299.290
ma.L3         -0.9797    266.561     -0.004      0.997    -523.429     521.469
ma.S.L12      -0.1583      0.118     -1.337      0.181      -0.390       0.074
sigma2       119.6719   3.26e+04      0.004      0.997   -6.37e+04    6.39e+04
===================================================================================
Ljung-Box (Q):                       36.68   Jarque-Bera (JB):                 4.39
Prob(Q):                              0.62   Prob(JB):                         0.11
Heteroskedasticity (H):               1.87   Skew:                             0.16
Prob(H) (two-sided):                  0.06   Kurtosis:                         3.90
===================================================================================

Warnings:
[1] Covariance matrix calculated using the outer product of gradients (complex-step).

残差も、大きくは支障なさそうです。

# 残差のチェック
residSARIMA = bestSARIMA.resid
fig = plt.figure(figsize=(12,8))
ax1 = fig.add_subplot(211)
fig = sm.graphics.tsa.plot_acf(residSARIMA, lags=40, ax=ax1)
ax2 = fig.add_subplot(212)
fig = sm.graphics.tsa.plot_pacf(residSARIMA, lags=40, ax=ax2)

最後は予測です。

# 予測
bestPred = bestSARIMA.predict('1960-01-01', '1961-12-01')
# 実データと予測結果の図示
plt.plot(ts)
plt.plot(bestPred, "r")

駆け足ではありましたが、Pythonを使って、簡単な時系列モデルを構築~予測を出すところまで一通り流すことができました。

Pythonでの時系列分析に関する日本語の資料が少なくて、やや難儀しました。
もっとこうしたほうがいい、などのご意見があれば、メールやコメントなどいただければ幸いです。

 

WebでPythonを学ぶなら

実践 Python データサイエンス

 
動画でPythonやJupyter Notebookの使い方を学ぶことができる勉強サイトです。
Udemyを利用すると、Pythonやデータ分析を「基礎から順にステップアップする内容で、かつ動画で」学ぶことができます。
ネットで受ける通信教育、みたいな感じです。
管理人も受講してみました。体験記はこちらから読めます
 


 

参考文献


時系列分析と状態空間モデルの基礎:
RとStanで学ぶ理論と実装


 
管理人の書いた時系列分析の入門書です。
時系列分析のイロハのイから解説しました。
サポートページはこちらです。目次なども公開されています。
 

経済・ファイナンスデータの計量時系列分析 (統計ライブラリー)

 
このサイトで時系列解析関連の記事を書く際は必ず参照している本です。
時系列解析の基本となる考え方から始めて、モデルの詳しい説明まで載っています。
今、時系列解析を学びたいと思った方はこの本から入ると良いでしょう。
 

Think Stats 第2版 ―プログラマのための統計入門

 
Pythonでデータ分析をするための入門書です。統計学の理論に関する説明は少なめですが、とりあえずコードを書いて勉強したいという場合に良いかと思います。
時系列分析も1章載っていますが、ARIMAモデルの説明はありません。
 
書籍以外の参考文献

Statsmodels Examples
 →計算例一覧が載っています

Autoregressive Moving Average (ARMA): Sunspots data
 →太陽黒点に対してARMAモデルを適用した計算例

statsmodels.tsa.statespace.sarimax.SARIMAX
 →SARIMAX関数の説明

A comprehensive beginner’s guide to create a Time Series Forecast (with Codes in Python)
 →今回最も参考になった外部サイトです。解析の手順が載っています。SARIMAの解説はないですが。

 

スポンサードリンク




スポンサードリンク


関連する記事

更新履歴
2017年05月28日:新規作成
2017年06月06日:広告設定などを修正
2018年07月07日:データの読み込み方法と差分をとる方法などを追記・修正

Pythonによる時系列分析の基礎” に対して10件のコメントがあります。

  1. if より:

    はじめまして。
    最近、時系列分析の勉強をしていまして、サイトのいくつかの記事を参考にさせてもらっています。
    ありがとうございます。

    「7.総当たり法によるSARIMAモデル次数の決定」において、enforce_invertibility = Falseとしていますが、これによってモデル選択に悪影響はないのでしょうか?もしくは、選んだモデルにおいて、何か懸念点は残るのでしょうか。
    沖本さんの本のp38によると、反転可能性のモデルが望ましいと書いています。2^q個あるモデルうち、反転可能性のあるモデルが1つしかないということを受けると、直感的には望ましいんだろうとは思いますが、実際上どの程度気にすべきなのか、ということについて何かコメントをいただけたら幸いです。

    1. 馬場真哉 より:

      ifさん

      はじめまして。
      管理人の馬場です。

      せっかくですので、定常性の指定と反転可能性の指定両方について説明します。
      結論から言うと、これらが満たされていないと「予測」において悪影響があります。

      悪影響が何なのかを理解するためには、「なぜARMAモデルが優れた予測を出せるのか」を理解する必要があります。
      ちょっと遠回りになりますが、順番に説明していきます。

      ウォルドの定理という有名な定理があります。
      『任意の定常系列は決定的部分と(場合によっては無次元の次数の)移動平均という2つの系列の和として表すことができる』

      決定的部分なんて、季節変動くらいのものです。
      (季節調整済みデータなどでは)このウォルドの定理があるので、MA(∞)モデルさえ組むことができれば、(非線形な影響を除く)定常時系列データを予測してやることができるというわけです。

      しかし、∞次数のMAモデルなんて、推定できませんね。
      そこで出てくるのがARモデルの定常条件です。

      まず、MAモデルは、常に定常となります。
      ARモデルは発散することもあり、非定常となることがありえます。
      ARモデルが定常となる条件は、ARモデルをMAモデルに書き直すことができるという条件と同じになります。
      ARモデルをMAモデルに書き直すと、AR(p)はMA(∞)となります。
      となると、ARMA(p,q)は、実質MA(∞)であらわすことができるようになるんですね。それも、∞より明らかに少ない次数で。
      となると、ウォルドの定理使えるじゃん! となって、ARMAモデルは、定常過程のデータに対してよい予測を出せる(だろう)と思われるわけです。

      元のデータが定常過程であって、かつ推定されたモデルが定常条件を満たしていれば、ウォルドの定理により、ARMAはきっと良い予測を出せるだろうと。
      なので、ARIMAでは、あらかじめ差分をとって、データを定常過程にして、それからARMAを適用しているというわけです。

      というわけで、定常過程にするという制約を除いたのも、予測においては、かなり問題がありますよということが一点。
      非定常なデータに対してARMAを適用した時点で「ダメ」ということです。

      次はMAモデルの反転可能性について説明します。
      これも、予測という目的のためには、是非満たしておきたい条件です。

      沖本先生の本を読まれているということのようですので、ちょっと数式っぽいものを使います。すいません。

      まず、MA(1)は以下のようにあらわすことができます。
      x_t = ε_t + bε_(t-1)
      ただしx_tはt期の観測値であり、ε_tはt期のかく乱項です。bは係数です。

      ここで、式を変形すると
      ε_t = x_t – bε_(t-1)
      さらに、ε_(t-1)もx_(t-1)であらわすことができますね。無限に伸びていきます。
      ε_t = x_t – bx_(t-1)- b^2 x_(t-2) …… – b^k x_(t-k)

      こうやってMA(1)はAR(∞)であらわすことができます。
      ところで、『ε_t』はt期の予測残差を表しています。
      この「予測残差を過去のデータ(x_(t-1)など)であらわすことができるかどうか」が「MAモデルの反転可能性条件」の意味となります。
      もしも、予測誤差が発散していて、「予測誤差の大小は、過去のデータから判断することができません」ということでは困りますね。予測の持つ好ましい性質を得るためには、MAモデルの反転可能性が満たされている必要がありますよ、ということです。
      MAモデルの反転可能表現に伴うかく乱項が「本源的なかく乱項」だと沖本先生の本で書かれていたのは、こういう理由かと思います。

      今回の自動モデル選択メソッドは「無理やり」モデルを網羅的に推定したものになります。
      なので「適切でない(予測に適していない)」モデルも推定されていることに注意してください。
      「そんなダメなモデルは選ばれないはずだ」と信じてコードを書いています。
      もし「ダメそう」なモデルが選ばれてしまったら、人力で排除することになるでしょうね。

      1. if より:

        解説ありがとうございます。
        解説いただいた点、AR(p)過程の定常性、MA(p)過程の反転可能性それぞれの理論的意義については、よく分かりました。
        追加でもう少しお聞きしたいです。

        上記の2つの性質は好ましいもの(もしくは満たしているべきもの)としたときに、理論的にその性質を満たさないモデルを排除できるわけですよね、特性方程式の解を調べることによって。であれば、人の判断に頼らずに、そこは機械的に排除したいなと思います。が、それをしない特段の理由は”pythonの実装の問題”以上にはないということになるのでしょうか(例えば、特性方程式の解を調べることが難しいなど (p, q< 4程度であれば難しくなさそうですが))。

        もう少し言うと、上記の基準を気にせずモデルを構築し、時系列データに当てはめ、予測をした際には、「人力で排除出来る程度には明らかにモデルの当てはまりが良くない」、もしくは「予測の線が大きくずれているに違いない」などといった一見自明な影響が出てくるのでしょうか。
        それともぱっと見ではなかなかわからない、もう少しモデル構築に慣れている人が見てみたときに、なにか違和感を感じる程度のものになるのでしょうか。
        "人力で排除する際のざっくりとした指針"というものは、どういう具合のものになるのでしょうか。

        ——–
        質問とは大分ずれますが、コメントを読んでいて気になった点が一つあります。
        定常性の無さそうな時系列データに対して、定常性を満たさないAR(p)モデルを当てはめていくというような試みというのはあるのでしょうか。
        ARIMAモデルを用いた時系列データへの当てはめ・予測においては定常性が重要であることは、分かってきたつもりです。おっしゃっているウォルドの定理なるものがあることも定常性の範囲で議論を展開したい理由の一つなんだと思います。時系列データに定常性が見られないときには、差分を取ってまた定常性の議論を援用できるというのは当然ですが、敢えて直接モデル化していくというようなことは筋が悪いのでしょうか。

        1. 馬場真哉 より:

          ifさん

          管理人の馬場です。

          話がいくつか分かれていると思うので、順に解説します。

          1.機械的に「ダメなモデル」を推定しないようにしたい
          pythonの実装において、『enforce_stationarity = True』『enforce_invertibility = True』とすれば、ダメなモデルは推定できなくなります。pythonだと実装が難しいというわけではありません。むしろ、デフォルトの設定のままだと、ちゃんと排除してくれます。
          難しいのは、自動SARIMA次数推定メソッドにおいて、エラーが出ないように工夫するところでしょうか。
          例えば、事前に単位根検定をして、単位根があるとみなせた場合は、必ず差分をとってからARMAを適用する、などの工夫で対処できるかと思います(Rのforecastパッケージのauto.arimaはこのやり方で対応していたはず)。

          2.無理やり「ダメなモデル」を推定したらどうなる?
          ARMAが持つ良い性質がなくなるとしか、言えません。
          具体的に、予測精度がどれくらい悪くなる、といったことはわかりません。
          ただ、少なくとも「ARMAを使うべき理由・ARMAが良いといえる根拠」が失われるわけです。

          予測結果を見た際の「違和感」としては、例えば非定常なデータに対して定常を仮定したモデルを使うと、ランダムウォークしているデータでも「いつかは平均に戻ってくる」と信じて予測を出すことになるので、パッと見で変というのもあります。

          3.ダメなモデルを人力で排除する際のざっくりとした指針とは?
          非定常なモデルに対して、差分をとらないARMAが選ばれていたら、とりあえずダメだとわかります。

          4.非定常なデータに対して、定常を仮定したモデルを推定することはアリ?
          2つの観点があります。
          1つは「推定できるか?」、2つ目は「推定されたモデルは”良い”モデルか?」です。

          まず、推定はできます。
          推定したければ、どうぞやってくださいということです。何事も、実験は大切です。

          しかし、推定されたARMAは「ARMAを使うべき理由・ARMAが良いといえる根拠が失われている」状態です。
          このんで使う理由はないでしょうね。
          なので、Box-Jenkins法では、差分をとってからARMAを推定することを強く勧めています。
          あまりいい言葉ではないかもしれませんが、ifさんの言葉を借りるなら「筋が悪い」といえるかもしれません。

          データに対して差分をとりたくないという気持ちはわかります。
          その場合は、非定常なデータを直接モデル化できる状態空間モデルなどを使うことになるかと思います。
          「そのままのデータに対して分析できる」のは、状態空間モデルの大きな利点ですね。

  2. おかざき より:

    はじめまして。
    趣味で時系列解析をやってみようと勉強を始めたばかりの者です。

    解析手法の中身についてはまだ理解ができていないのですが、
    SARIMAでfor文を回す部分についてはnumpy.meshgridを活用された方が
    可読性と計算速度の面で優れるように思いました。
    参考: https://sekailab.com/wp/2018/06/11/numpy-combinatorial-calculation-in-array/

    1. 馬場真哉 より:

      おかざき様

      コメントありがとうございます。
      管理人の馬場です。

      アドバイスありがとうございます。
      確かに、こちらのやり方もあり得ますね。
      参考にさせて頂きます。

      ちなみに、pmdarimaというパッケージがありまして、それを使うと、簡単に変数選択が可能です。
      https://github.com/tgsmith61591/pmdarima
      最近はループを回さずに、こちらを使うことが多いです。

      参考になれば幸いです。

  3. より:

    はじめまして。数学系修士で時系列解析を研究中の者です。
    とてもわかりやすく、参考にさせて頂いております。

    こちらのシミュレーションについて質問させて頂きます。
    差分系列の推定の前にデータの自己相関と偏自己相関を出力しているところですが、
    偏自己相関のmethodをols にしているのはユールウォーカーよりパフォーマンスが良いからでしょうか?

    現在修士論文を書いていて、偏自己相関を数学的にどう解釈していくか知りたくてお訊ねしました。
    宜しくお願い致します。

    1. 馬場真哉 より:

      井様

      コメントありがとうございます。
      管理人の馬場です。
      返信が遅れまして申し訳ございません。

      こちらはmethodを指定する構文の事例として、olsを指定したように記憶しています。
      そのため、特にOLSにしたい、という強い意図を持っていたわけではありません。
      紛らわしくて申し訳ないです。

  4. KN より:

    初めまして。
    とてもわかりやすいサイトで参考にさせて頂いています。

    コレログラムについて、残差の自己相関係数、偏自己相関係数については12ヶ月周期で理解できるのですが、原系列の偏自己相関係数が13ヶ月周期の負の相関なのは何故でしょうか。

    調べてもわからなかったので、お聞きしたく思います。

    1. 馬場真哉 より:

      KN様

      コメントありがとうございます。
      管理人の馬場です。
      返信が遅れて失礼いたしました。

      現系列の自己相関については、これはデータによって変化するのが普通です。
      今回のデータではたまたま13か月周期で負の相関となっていましたが、
      すべてのデータでそうなるというわけではないと思います。

      たとえば(R言語で恐縮ですが)以下のシミュレーションデータなら、
      13時点目の編自己相関が正の値になります。

      sim_data <- arima.sim(
      n = 100,
      list(ar = c(0,0,0,0,0,0,0,0,0,0,0,0.6),
      ma = c(0.2, 0,0,0,0,0,0,0,0,0,0,0,0.3))
      )

      plot(sim_data)
      acf(sim_data)
      pacf(sim_data)

へ返信する コメントをキャンセル

メールアドレスが公開されることはありません。 が付いている欄は必須項目です

このサイトはスパムを低減するために Akismet を使っています。コメントデータの処理方法の詳細はこちらをご覧ください