时间序列分析与预测的3个Statsmodels技巧
内容提要
statsmodels 拟合模型除点预测外还提供更多信息：用 get_forecast 可直接获取预测区间，无需手动计算；append 能在不重新拟合的情况下加入新数据并默认复用已有参数；STLForecast 将 STL 分解与 ARIMA 预测整合，避免手动还原季节性时的错误。这些内置方法比手写实现更短、更快、更准确。
延伸解读
预测区间：被忽视的内置能力
文章指出，res.forecast(12) 只返回点预测，而 res.get_forecast(12) 返回的 PredictionResults 对象还包含模型已估计的不确定性，如 conf_int 和 summary_frame()。这意味着预测区间并非额外计算，而是同一计算过程的产物，只是 forecast 方法将其丢弃。因此，发布预测时附上区间是更完整的信息呈现，且无需手动实现。
append 与 extend：增量更新的效率选择
当新数据到达时，append 可在不重新拟合的情况下更新结果对象，默认 refit=False 会复用已有参数。文章还区分了 append、extend 和 apply：append 会重新运行整个历史数据的滤波，extend 只对新观测进行滤波，在历史较长时更快，而 apply 用于不同数据集。这为增量预测提供了比重新拟合更高效的选项。
STLForecast：避免手动还原季节性的错误
手动进行 STL 分解预测需要三步：分解、预测去季节部分、加回季节成分，其中第三步容易出错。STLForecast 将整个流程封装为一个对象，自动完成这些步骤。使用时需注意传入 ARIMA 类本身而非实例，模型参数通过 model_kwargs 传递，这是该 API 容易误用的地方。
Q&A
statsmodels 中 get_forecast 和 forecast 有什么区别？
forecast 只返回点预测的数值数组，而 get_forecast 返回一个 PredictionResults 对象，其中包含预测均值、置信区间以及 summary_frame() 等，能直接获取预测的不确定性，无需手动计算。
如何在不重新拟合模型的情况下加入新数据？
使用 results 对象的 append 方法，并设置 refit=False（默认值），这样会复用已估计的参数，只在新数据上运行滤波，避免重新拟合所有参数。
append、extend 和 apply 这三个方法分别用在什么场景？
append 会在原始数据和新数据上重新运行滤波；extend 只对新观测值进行滤波，当历史数据很长时更快；apply 用于将模型应用到另一个不同的数据集，而不是当前序列的延续。
STLForecast 是如何工作的？
STLForecast 将 STL 分解与时间序列模型（如 ARIMA）结合，先减去 STL 估计的季节性，对去季节化后的数据用模型预测，再自动加回季节性成分，避免了手动还原时的符号错误和索引错位。
使用 STLForecast 时常见的错误是什么？
常见的错误是传入已实例化的 ARIMA 对象（如 ARIMA(...)），而正确做法是传入 ARIMA 类本身，并将参数通过 model_kwargs 传递。
为什么推荐使用 statsmodels 的内置方法而不是手动实现？
内置方法更短、更快、更准确，因为它们直接利用拟合结果对象中已计算好的信息，避免了手动实现时容易出现的错误，如符号错误和索引错位。
