Die Testhypothesen lauten wie folgt:<\/span><\/p>\n H 0<\/sub> (Nullhypothese):<\/strong> In den Daten ist kein Trend vorhanden.<\/span><\/p>\n H A<\/sub> (Alternativhypothese):<\/strong> In den Daten ist ein Trend vorhanden. (Dies k\u00f6nnte ein positiver oder negativer Trend sein)<\/span><\/p>\n Wenn der p-Wert des Tests unter einem bestimmten Signifikanzniveau liegt (\u00fcbliche Werte sind 0,10, 0,05 und 0,01), dann gibt es statistisch signifikante Hinweise darauf, dass in den Daten der Zeitreihe ein Trend vorhanden ist.<\/span><\/p>\n In diesem Tutorial wird erl\u00e4utert, wie Sie einen Mann-Kendall-Trendtest in Python durchf\u00fchren.<\/span><\/p>\n Um einen Mann-Kendall-Trendtest in Python durchzuf\u00fchren, installieren wir zun\u00e4chst das Paket pymannkendall<\/a> :<\/span><\/p>\n Sobald wir dieses Paket installiert haben, k\u00f6nnen wir den Mann-Kendall-Trendtest f\u00fcr einen Zeitreihendatensatz durchf\u00fchren:<\/span><\/p>\n So interpretieren Sie das Testergebnis:<\/span><\/p>\n Der Hauptwert, der uns interessiert, ist der p-Wert, der uns sagt, ob es einen statistisch signifikanten Trend in den Daten gibt oder nicht.<\/span><\/p>\n In diesem Beispiel betr\u00e4gt der p-Wert 0,4226<\/strong> , was nicht weniger als 0,05 ist. Daher gibt es keinen signifikanten Trend in den Zeitreihendaten.<\/span><\/p>\n Zus\u00e4tzlich zur Durchf\u00fchrung des Mann-Kendall-Trendtests k\u00f6nnen wir mit Matplotlib ein schnelles Liniendiagramm erstellen, um die tats\u00e4chlichen Zeitreihendaten zu visualisieren:<\/span><\/p>\n mal Aus dem Diagramm k\u00f6nnen wir erkennen, dass die Daten etwas verstreut sind, was best\u00e4tigt, dass es keinen klaren Trend in den Daten gibt.<\/span><\/p>\n So zeichnen Sie eine Zeitreihe in Matplotlib<\/a> Mithilfe eines Mann-Kendall-Trendtests wird ermittelt, ob in Zeitreihendaten ein Trend vorliegt oder nicht. Hierbei handelt es sich um einen nichtparametrischen Test, d. h. es werden keine zugrunde liegenden Annahmen \u00fcber die Normalit\u00e4t der Daten getroffen. Die Testhypothesen lauten wie folgt: H 0 (Nullhypothese): In den Daten ist kein Trend vorhanden. H A (Alternativhypothese): In den […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Beispiel: Mann-Kendall-Trendtest in Python<\/strong><\/span><\/h3>\n
pip install<\/span> pymannkendall<\/strong><\/pre>\n #create dataset\n<\/span>data = [31, 29, 28, 28, 27, 26, 26, 27, 27, 27, 28, 29, 30, 29, 30, 29, 28]\n\n#perform Mann-Kendall Trend Test\n<\/span>import<\/span> pymannkendall as<\/span> mk\n\nmk. original_test<\/span> (data)\n\nMann_Kendall_Test(trend='no trend', h=False, p=0.422586268671707,\n z=0.80194241623, Tau=0.147058823529, s=20.0,\n var_s=561.33333333, slope=0.0384615384615, intercept=27.692307692)<\/strong><\/pre>\n\n
import<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\nplt. plot<\/span> (data)\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mannkendallpython1.png\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie einen erweiterten Dickey-Fuller-Test in Python durch<\/a>
So zeichnen Sie mehrere Serien aus einem Pandas DataFrame<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"