Teradata Package for Python Function Reference | 20.00 - ArimaValidate - Teradata Package for Python - Look here for syntax, methods and examples for the functions included in the Teradata Package for Python.

Teradata® Package for Python Function Reference - 20.00

Deployment
VantageCloud
VantageCore
Edition
Enterprise
IntelliFlex
VMware
Product
Teradata Package for Python
Release Number
20.00
Published
March 2024
Language
English (United States)
Last Update
2024-04-10
dita:id
TeradataPython_FxRef_Enterprise_2000
Product Category
Teradata Vantage
 
 
ArimaValidate

 
Functions
       
ArimaValidate(data=None, data_filter_expr=None, fit_metrics=False, residuals=False, output_fmt_index_style='NUMERICAL_SEQUENCE', **generic_arguments)
DESCRIPTION:
    The ArimaValidate() function performs an in-sample
    forecast for both seasonal and non-seasonal auto-regressive (AR),
    moving-average (MA), ARIMA models and Box-Jenkins seasonal
    ARIMA model formula followed by an analysis of the produced
    residuals. The aim is to provide a collection of metrics useful to select the model
    and expose the produced residuals such that multiple model validation
    and statistical tests can be conducted.
    The following procedure is an example of how to use ArimaValidate():
        * Run the ArimaEstimate() function to get the coefficients for the ARIMA model.
        * Run the ArimaValidate() function to validate the "goodness of fit" of the ARIMA model,
          when "fit_percentage" is not 100 in ArimaEstimate().
 
PARAMETERS:
    data:
        Required Argument.
        Specifies the TDAnalyticResult object over the output
        of ArimaEstimate() function.
        Types: TDAnalyticResult
 
    data_filter_expr:
        Optional Argument.
        Specifies the filter expression for "data".
        Types: ColumnExpression
 
    fit_metrics:
        Optional Argument.
        Specifies whether to generate the model metadata statistics.
        When set to True, metadata statistics are generated otherwise, it is not.
        Default Value: False
        Types: bool
 
    residuals:
        Optional Argument.
        Specifies whether to generate the model residuals.
        When set to True, residuals are generated,
        otherwise it is not.
        Default Value: False
        Types: bool
 
    output_fmt_index_style:
        Optional Argument.
        Specifies the index_style of the output format.
        Default Value: NUMERICAL_SEQUENCE
        Permitted Values: NUMERICAL_SEQUENCE, FLOW_THROUGH
        Types: str
 
    **generic_arguments:
        Specifies the generic keyword arguments of UAF functions.
        Below are the generic keyword arguments:
            persist:
                Optional Argument.
                Specifies whether to persist the results of the
                function in a table or not. When set to True,
                results are persisted in a table; otherwise,
                results are garbage collected at the end of the
                session.
                Note that, when UAF function is executed, an
                analytic result table (ART) is created.
                Default Value: False
                Types: bool
 
            volatile:
                Optional Argument.
                Specifies whether to put the results of the
                function in a volatile ART or not. When set to
                True, results are stored in a volatile ART,
                otherwise not.
                Default Value: False
                Types: bool
 
            output_table_name:
                Optional Argument.
                Specifies the name of the table to store results.
                If not specified, a unique table name is internally
                generated.
                Types: str
 
            output_db_name:
                Optional Argument.
                Specifies the name of the database to create output
                table into. If not specified, table is created into
                database specified by the user at the time of context
                creation or configuration parameter. Argument is ignored,
                if "output_table_name" is not specified.
                Types: str
 
 
RETURNS:
    Instance of ArimaValidate.
    Output teradataml DataFrames can be accessed using attribute
    references, such as ArimaValidate_obj.<attribute_name>.
    Output teradataml DataFrame attribute names are:
        1. result
        2. fitmetadata - Available when "fit_metrics" is set to True, otherwise not.
        3. fitresiduals - Available when "residuals" is set to True, otherwise not.
        4. model
 
 
RAISES:
    TeradataMlException, TypeError, ValueError
 
 
EXAMPLES:
    # Notes:
    #     1. Get the connection to Vantage to execute the function.
    #     2. One must import the required functions mentioned in
    #        the example from teradataml.
    #     3. Function will raise error if not supported on the Vantage
    #        user is connected to.
 
    # Check the list of available UAF analytic functions.
    display_analytic_functions(type="UAF")
 
    # Load the example data.
    load_example_data("uaf", ["timeseriesdatasetsd4"])
 
    # Create teradataml DataFrame object.
    data = DataFrame.from_table("timeseriesdatasetsd4")
 
    # Execute ArimaEstimate() function to estimate the coefficients
    # and statistical ratings corresponding to an ARIMA model.
 
    # Create teradataml TDSeries object.
    data_series_df = TDSeries(data=data,
                              id="dataset_id",
                              row_index="seqno",
                              row_index_style="SEQUENCE",
                              payload_field="magnitude",
                              payload_content="REAL")
 
    # Execute ArimaEstimate function.
    arima_estimate_op = ArimaEstimate(data1=data_series_df,
                                      nonseasonal_model_order=[2,0,0],
                                      constant=False,
                                      algorithm="MLE",
                                      coeff_stats=True,
                                      fit_metrics=True,
                                      residuals=True,
                                      fit_percentage=80)
 
    # Example 1: Validate the "goodness of fit" of the ARIMA model.
 
    # Create teradataml TDAnalyticResult object over the result attribute of 'arima_estimate_op'.
    data_art_df = TDAnalyticResult(data=arima_estimate_op.result)
 
    uaf_out = ArimaValidate(data=data_art_df, fit_metrics=True, residuals=True)
 
    # Print the result DataFrames.
    print(uaf_out.result)
    print(uaf_out.fitmetadata)
    print(uaf_out.fitresiduals)
    print(uaf_out.model)