Python STATSAR模型回答错误

我试图用Python复制以下R代码

set.seed(1)
x<-w<-rnorm(100)
for (t in 2:100) x[t] = 0.6 * x[t-1] + w[t]
x.ar = ar(x, method="mle")
x.ar$ar
[1] 0.5231187

在python中，它似乎适合13阶模型。如何使其适合最简单的模型？

请参阅：对于

statsmodels.tsa.ar\u model.ar.fit（）

，您可以选择一个信息标准（参数

ic

）来确定滞后数：

用于选择最佳滞后长度的标准。aic-Akaike 信息准则bic-Bayes基于t-stat的信息准则 关于最后一个滞后hqic-Hannan Quinn信息准则，如果 选择信息标准，即导致 选择最低值。如果是t-stat，则模型以maxlag和 降低滞后，直到最高滞后有一个t-stat在 95%的水平

---

或提供一个

maxlag

值。如果缺少后者，

statsmodels

使用默认的

舍入（12*（nobs/100.）**（1/4.）

来确定要使用的滞后数。

当您执行

ar.fit（method='mle'）

时，您是否询问是否可以设置

maxlag

？例如：

ar.fit（maxlag=1，method='mle'）

？我可能有点离题了。答案已经给出了，所以只是一个旁白。有很多原因不能在这里说“AR答案是错误的”。即使生成的数据相似，数据也不相同，使用的方法也可能不同-噪声项并非无关紧要。此外，如果您在R中生成了更多的示例，您会发现，

ar

并不总是适合一阶模型。我想标记“pandas”是不相关的。我将代码更改为

model\u ar=ar.fit（method='mle'，maxlag=1，disp=1，maxiter=1000）

。现在每个默认参数是

[0.00326174，0.9942802]

，模型包括

trend='c'

，这意味着还有一个常量。如果您不想这样做，只需添加

trend='nc'

。

import scipy.stats as stats
import matplotlib.pylab as plt
import statsmodels.tsa.ar_model as ar_model
x = w = stats.norm.rvs(loc=0, scale=1, size=100)
for i in range(1,100):
    x[i] = 0.6* x[i-1] + w[i]


ar = ar_model.AR(x)
model_ar = ar.fit(method='mle')
print(model_ar.params)
[  9.26969930e-04   8.58915676e-01   2.74538400e+00  -1.49505968e+00
-3.47150385e+00   9.64130378e-02   2.68088493e+00   1.64061441e+00
-1.38189445e+00  -1.65265872e+00   6.33895141e-01   5.68494490e-01
-2.23487269e-01]