¿Qué diferencia hay entre las previsiones "dentro de la muestra" y "fuera de la muestra"?

Question

No entiendo cuál es exactamente la diferencia entre predicción "dentro de la muestra" y "fuera de la muestra". Un en la muestra previsión utiliza un subconjunto de los datos disponibles para pronosticar valores fuera del periodo de estimación. Un fuera de la muestra previsión utiliza en cambio todos los datos disponibles . ¿Son correctos?

En concreto, ¿es correcta la siguiente definición?

Una previsión dentro de la muestra utiliza un subconjunto de los datos disponibles para pronosticar valores fuera del periodo de estimación y compararlos con los correspondientes resultados conocidos o reales. Esto se hace para evaluar la capacidad del modelo de predecir valores conocidos. Por ejemplo, una previsión dentro de la muestra de 1980 a 2015 podría utilizar datos de 1980 a 2012 para estimar el modelo. Con este modelo, el pronosticador predeciría los valores de 2013 a 2015 y compararía los valores previstos con los valores reales conocidos. En cambio, una previsión fuera de la muestra utiliza todos los datos disponibles en la muestra para estimar un modelo. En el ejemplo anterior, la estimación se realizaría a lo largo de 1980-2015, y las previsiones comenzarían en 2016.

Answer 1

En Previsión de series temporales, 'Insample' significa datos del tren La "muestra externa" se refiere a los datos de prueba.

En las series temporales, primero podemos pronosticar los resultados de los datos de la "muestra interna" (es decir, del tren). Posteriormente, podemos prever los resultados de los datos de la "muestra externa" (es decir, de la prueba).

model = ARIMA(order = (p,d,q), seasonal_order=(P,D,Q,S))
model.fit(train_data)

train_predictions = model.predict_in_sample()
test_predictions = model.predict(n_periods=len(test_data.index))

predictions = pd.concatenate((train_predictions, test_predictions),axis=0)