我在python中使用statsmodels来预测Walmart kaggle数据集的每周零售额。在我通过SARIMA之前，我无法实现平稳性。问题是复活节可能与年复一年相差无几。你如何在假日中对这些波动进行建模？
我尝试过最佳（p，d，q）（P，D，Q）m参数的网格搜索。我的gridsearch返回SARIMA（0,1,0）（0,2,0）52，AIC为832，但是当绘制它时显然非常偏斜（这是预期的，因为我的数据从未真正实现与这些变换的平稳性）。
有没有人建议使用SARIMAX零售季节性？我知道R包是优越的，但我不知道R，我希望没有它我能解决这个问题。
p, d, q = 0, 1, 0
P, D, Q, m = 0, 2, 0, 52
model = SARIMAX(train11.Weekly_Sales.asfreq('W-FRI'), order=(p,d,q), seasonal_order=(P,D,Q,m),
trend='n', enforce_stationarity=False, enforce_invertibility=False)
model_fit = model.fit()
model_fit.summary()
==========================================================================================
Dep. Variable: Weekly_Sales No. Observations: 143
Model: SARIMAX(0, 1, 0)x(0, 2, 0, 52) Log Likelihood -415.101
Date: Tue, 02 Apr 2019 AIC 832.202
Time: 21:48:24 BIC 833.813
Sample: 02-05-2010 HQIC 832.770
- 10-26-2012
Covariance Type: opg
==============================================================================
coef std err z P>|z| [0.025 0.975]
------------------------------------------------------------------------------
sigma2 2.202e+08 1.77e+07 12.406 0.000 1.85e+08 2.55e+08
===================================================================================
Ljung-Box (Q): 28.96 Jarque-Bera (JB): 77.77
Prob(Q): 0.79 Prob(JB): 0.00
Heteroskedasticity (H): 0.00 Skew: -1.44
Prob(H) (two-sided): 0.00 Kurtosis: 9.49
===================================================================================
最简单的方法是在假期和特殊事件中使用虚拟变量。 SARIMAX允许在exog中指定其他解释变量。
虚拟变量可以是特定日期，如果有足够的年数来估计例如复活节效果，或者几个假日可以组合在相同的虚拟变量中，例如在圣诞节之前的几个周末，当购物比平时高很多时。
SARIMA本身无法捕获像复活节那样的效果，因为即使有一年的季节性假期也不会有规律的周期长度。