{"id":1758,"date":"2023-07-25T02:36:28","date_gmt":"2023-07-25T02:36:28","guid":{"rendered":"https:\/\/statorials.org\/de\/dickey-fuller-test-python\/"},"modified":"2023-07-25T02:36:28","modified_gmt":"2023-07-25T02:36:28","slug":"dickey-fuller-test-python","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/dickey-fuller-test-python\/","title":{"rendered":"Erweiterter dickey-fuller-test in python (mit beispiel)"},"content":{"rendered":"

<\/p>\n

\n

Eine Zeitreihe wird als \u201estation\u00e4r\u201c bezeichnet, wenn sie keinen Trend aufweist, \u00fcber die Zeit eine konstante Varianz aufweist und \u00fcber die Zeit eine konstante Autokorrelationsstruktur aufweist.<\/span><\/p>\n

Eine M\u00f6glichkeit zu testen, ob eine Zeitreihe station\u00e4r ist, besteht darin, einen erweiterten Dickey-Fuller-Test<\/strong> durchzuf\u00fchren, der die folgenden Null- und Alternativhypothesen verwendet:<\/span><\/p>\n

H 0<\/sub> :<\/strong> Die Zeitreihe ist instation\u00e4r. Mit anderen Worten, seine Struktur h\u00e4ngt von der Zeit ab und seine Variation ist \u00fcber die Zeit nicht konstant.<\/span><\/p>\n

H A<\/sub> :<\/strong> Die Zeitreihe ist station\u00e4r.<\/span><\/p>\n

Wenn der p-Wert<\/a> des Tests unter einem bestimmten Signifikanzniveau liegt (z. B. \u03b1 = 0,05), k\u00f6nnen wir die Nullhypothese ablehnen und daraus schlie\u00dfen, dass die Zeitreihe station\u00e4r ist.<\/span><\/p>\n

Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie Sie einen erweiterten Dickey-Fuller-Test in Python f\u00fcr eine bestimmte Zeitreihe durchf\u00fchren.<\/span><\/p>\n

Beispiel: erweiterter Dickey-Fuller-Test in Python<\/strong><\/span><\/h3>\n

Angenommen, wir haben die folgenden Zeitreihendaten in Python:<\/span><\/p>\n

 data = [3, 4, 4, 5, 6, 7, 6, 6, 7, 8, 9, 12, 10]<\/strong><\/pre>\n
 Bevor wir einen erweiterten Dickey-Fuller-Test an den Daten durchf\u00fchren, k\u00f6nnen wir ein schnelles Diagramm erstellen, um die Daten zu visualisieren:<\/span> <\/p>\n
 import<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\nplt. plot<\/span> (data)<\/strong> <\/pre>\n
\"\"<\/p>\n
 pip install statsmodels\n<\/strong><\/pre>\n
 Dann k\u00f6nnen wir den folgenden Code verwenden, um den erweiterten Dickey-Fuller-Test durchzuf\u00fchren:<\/span><\/p>\n
 from<\/span> statsmodels. tsa<\/span> . stattools<\/span> import<\/span> adfuller\n\n#perform augmented Dickey-Fuller test<\/span>\nadfuller(data)\n\n(-0.9753836234744063,\n 0.7621363564361013,\n 0,\n 12,\n {'1%': -4.137829282407408,\n  '5%': -3.1549724074074077,\n  '10%': -2.7144769444444443},\n 31.2466098872313)\n<\/strong><\/pre>\n
 So interpretieren Sie die wichtigsten Werte des Ergebnisses:<\/span><\/p>\n
 Um einen erweiterten Dickey-Fuller-Test durchzuf\u00fchren, k\u00f6nnen wir die Funktion adfuller()<\/a> aus der Statsmodels-<\/strong> Bibliothek verwenden. Zuerst m\u00fcssen wir statsmodels installieren:<\/span><\/p>\n