说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。
1.项目背景
时间序列分析中，AR定阶自回归模型（AR order selection）是指确定自回归模型（AutoRegressive Model, AR模型）的阶数p的过程。在AR(p)模型中，当前的时间序列值被表示为过去p个时期的线性组合加上一个误差项。
ar_select_order算法是一种用于自动选择最佳AR模型阶数的方法，它通过评估不同阶数下模型的拟合优度、信息准则（如AIC、BIC或HQIC）、预测性能或其他统计测试来确定最合适的p值。
本项目通过ar_select_order算法来构建时间序列分析AR定阶自回归模型。
2.数据获取
本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：
| 编号 | 变量名称 | 描述 |
| 1 | DATE | 日期 |
| 2 | INDPRO | 工业生产指数 |
数据详情如下(部分展示)：
3.数据预处理
3.1 用Pandas工具查看数据
使用Pandas工具的head()方法查看前五行数据：
关键代码：
3.2 数据缺失查看
使用Pandas工具的info()方法查看数据信息：
从上图可以看到，总共有1个变量，数据中无缺失值，共780条数据。
关键代码：
3.3 数据描述性统计
通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。
关键代码如下：
4.探索性数据分析
4.1 变量直方图
用Matplotlib工具的hist()方法绘制直方图：
从上图可以看到，变量主要集中在20~100之间。
4.2 折线图
从上图中可以看到，房价指数是不断波动的。
5.构建AR定阶自回归模型
主要使用ar_select_order算法，用于自回归建模。
5.1 构建模型
| 编号 | 模型名称 | 参数 |
| 1 | AR定阶自回归模型 | P=13 |
5.2 模型摘要信息
5.3 观测值预测绘图
预测值预测绘图：
6.模型评估
6.1 模型残差诊断图
6.2 模型预测
预测结果及展示：
7.结论与展望
综上所述，本文采用了ar_select_order算法来构建AR定阶自回归模型，最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。
# 本次机器学习项目实战所需的资料，项目资源如下：
# 项目说明：
# 获取方式一：
# 项目实战合集导航：
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
# 获取方式二：
链接：https://pan.baidu.com/s/12nTSfPE49ADQoTMg3D-7Gw
提取码：4ggi
