python - 收敛警告 : Maximum Likelihood slows kernel-run-time?

Question

我使用非常简单的代码对象 arma_order_select_ic 来找到用于选择 p 和 q 值的最低信息标准。

我不确定我是否做对了，或者代码是否偶然发现了一些错误...

在:

y = indexed_df
res = arma_order_select_ic(y, max_ar=7, max_ma=7, ic=['aic', 'bic', 'hqic'], trend='c', fit_kw=dict(method='css'))
print res
print ('AIC-order: {}' .format(res.aic_min_order))
print ('BIC-order: {}' .format(res.bic_min_order))
print ('HQIC-order: {}' .format(res.hqic_min_order)) 

输出:

/Applications/anaconda/lib/python2.7/site-packages/statsmodels-0.6.1-py2.7-macosx-10.5-x86_64.egg/statsmodels/base/model.py:466: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  "Check mle_retvals", ConvergenceWarning)

另外:它打印出三个矩阵样式的列表(对于每个 IC 一个矩阵)以及最终推荐:

AIC-order: (7, 5)
BIC-order: (7, 0)
HQIC-order: (7, 0)

所以，整个事情似乎都奏效了。

问题是，它需要大约 30-60 秒，因为每次计算都会打印警告，即它非常慢!

我检查了相关的源代码(statsmodels/base/model.py)以及如何跳过打印 CovergenceWarning:

   #TODO: hardcode scale?
        if isinstance(retvals, dict):
            mlefit.mle_retvals = retvals
            if warn_convergence and not retvals['converged']:
                from warnings import warn
                from statsmodels.tools.sm_exceptions import ConvergenceWarning
                warn("Maximum Likelihood optimization failed to converge. "
                     "Check mle_retvals", ConvergenceWarning)

        mlefit.mle_settings = optim_settings
        return mlefit

所以我尝试删除链接到 ConvergenceWarning 的 if 部分，但它不起作用。

这部分来自相同的源代码:

mle_retvals : dict
    Contains the values returned from the chosen optimization method if
    full_output is True during the fit.  Available only if the model
    is fit by maximum likelihood.  See notes below for the output from
    the different methods. 

没有告诉我在哪里以及如何更改 mle_retvals

如何检查 mle_retvals 以及要更改的内容？

有没有办法让ConvergenceWarning消失，让计算跑得更快？

Answer 1

注释部分中的文档明确说明了如何加快速度...请参阅 fit_kw 的文档字符串以更改提供给 ARMA.fit 方法的参数。对于大量模型，这会很慢。这是一个天真的实现，只是对它们进行成对拟合。尝试执行 method='css' 以获得更快的结果。

我不知道你为什么要更改mle_retvals。它在返回部分。这不是你直接改变的东西。您不必删除任何源代码即可运行。这张支票是为了警告你事情出了问题。也就是说，可能是导致这些警告的模型对于您的数据来说真的很差。