<\/p>\n
Der Granger-Kausalit\u00e4tstest<\/strong> wird verwendet, um zu bestimmen, ob eine Zeitreihe f\u00fcr die Vorhersage einer anderen n\u00fctzlich ist oder nicht.<\/span><\/p>\n Dieser Test verwendet die folgenden Null- und Alternativhypothesen:<\/span><\/p>\n Nullhypothese (H 0<\/sub> ):<\/strong> Die Zeitreihe x<\/em> verursacht nach Granger nicht die Zeitreihe y<\/em><\/span><\/p>\n Alternativhypothese ( HA<\/sub> ):<\/strong> Zeitreihe x<\/em> Zeitreihe von Granger verursacht y<\/em><\/span><\/p>\n Der Begriff \u201eGranger-Ursachen\u201c bedeutet, dass die Kenntnis des Werts der Zeitreihe x<\/em> mit einer gewissen Verz\u00f6gerung n\u00fctzlich ist, um den Wert der Zeitreihe y<\/em> zu einem sp\u00e4teren Zeitpunkt vorherzusagen.<\/span><\/p>\n Dieser Test erzeugt eine F-Test-Statistik mit einem entsprechenden p-Wert<\/a> . Wenn der p-Wert unter<\/span> einem bestimmten Signifikanzniveau liegt (d. h. \u03b1 = 0,05), k\u00f6nnen wir die Nullhypothese ablehnen und daraus schlie\u00dfen, dass wir \u00fcber ausreichende Beweise verf\u00fcgen, um zu behaupten, dass die Zeitreihe x<\/em> Granger die Zeitreihe y verursacht.<\/span><\/p>\n Wir k\u00f6nnen die Funktion grangercausalitytests()<\/a> aus dem statsmodels-Paket verwenden, um einen Granger-Kausalit\u00e4tstest in Python durchzuf\u00fchren:<\/span><\/p>\n Beachten Sie, dass maxlag<\/strong> die Anzahl der Verz\u00f6gerungen angibt, die in der ersten Zeitreihe verwendet werden sollen.<\/span><\/span><\/p>\n Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie Sie diese Funktion in der Praxis nutzen.<\/span><\/p>\n F\u00fcr dieses Beispiel verwenden wir einen Datensatz, der Werte f\u00fcr die Anzahl der hergestellten Eier sowie die Anzahl der H\u00fchner in den Vereinigten Staaten von 1930 bis 1983 enth\u00e4lt:<\/span><\/p>\n Verwandte Themen:<\/strong><\/span> So lesen Sie CSV-Dateien mit Pandas<\/a><\/p>\n Als n\u00e4chstes werden wir die Funktion grangercausalitytests<\/strong> ()<\/strong> verwenden, um einen Granger-Kausalit\u00e4tstest durchzuf\u00fchren, um zu sehen, ob die Anzahl der hergestellten Eier eine Vorhersage f\u00fcr die zuk\u00fcnftige Anzahl von H\u00fchnern ist. Wir werden den Test mit drei Offsets durchf\u00fchren:<\/span><\/p>\n Die F-Test-Statistik betr\u00e4gt 5,405<\/strong> und der entsprechende p-Wert betr\u00e4gt 0,0030<\/strong> .<\/span><\/p>\n Da der p-Wert kleiner als 0,05 ist, k\u00f6nnen wir die Nullhypothese des Tests ablehnen und schlussfolgern, dass die Kenntnis der Anzahl der Eier n\u00fctzlich ist, um die zuk\u00fcnftige Anzahl der H\u00fchner vorherzusagen.<\/span><\/p>\n Obwohl wir die Nullhypothese des Tests abgelehnt haben, ist es tats\u00e4chlich m\u00f6glich, dass ein Fall umgekehrter Kausalit\u00e4t eintreten k\u00f6nnte. Mit anderen Worten: Es ist m\u00f6glich, dass sich die Anzahl der Eier durch die Anzahl der H\u00fchner ver\u00e4ndert.<\/span><\/p>\n Um diese M\u00f6glichkeit auszuschlie\u00dfen, m\u00fcssen wir den Granger-Kausalit\u00e4tstest in umgekehrter Reihenfolge durchf\u00fchren und dabei H\u00fchner als Pr\u00e4diktorvariable und Eier als Antwortvariable<\/a> verwenden:<\/span><\/p>\n Die F-Test-Statistik betr\u00e4gt 0,5916<\/strong> und der entsprechende p-Wert betr\u00e4gt 0,6238<\/strong> .<\/span><\/p>\n Da der p-Wert nicht kleiner als 0,05 ist, k\u00f6nnen wir die Nullhypothese nicht ablehnen. Mit anderen Worten: Die Anzahl der H\u00fchner sagt nichts \u00fcber die zuk\u00fcnftige Anzahl an Eiern aus.<\/span><\/p>\n Daraus k\u00f6nnen wir schlie\u00dfen, dass die Kenntnis der Anzahl der Eier hilfreich ist, um die zuk\u00fcnftige Anzahl der H\u00fchner vorherzusagen.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben mit Zeitreihen in Python ausf\u00fchren:<\/span><\/p>\n So erstellen Sie ein Zeitreihendiagramm in Seaborn<\/a> Der Granger-Kausalit\u00e4tstest wird verwendet, um zu bestimmen, ob eine Zeitreihe f\u00fcr die Vorhersage einer anderen n\u00fctzlich ist oder nicht. Dieser Test verwendet die folgenden Null- und Alternativhypothesen: Nullhypothese (H 0 ): Die Zeitreihe x verursacht nach Granger nicht die Zeitreihe y Alternativhypothese ( HA ): Zeitreihe x Zeitreihe von Granger verursacht y Der Begriff \u201eGranger-Ursachen\u201c […]<\/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 from<\/span> statsmodels. tsa<\/span> . stattools<\/span> import<\/span> grangercausalitytests\n\n#perform Granger-Causality test<\/span>\ngrangercausalitytests(df[[' column1<\/span> ', ' column2<\/span> ']], maxlag=[ 3<\/span> ])\n<\/strong><\/pre>\n Schritt 1: Daten laden<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#define URL where dataset is located\n<\/span>url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Miscellaneous\/main\/chicken_egg.txt\"\n\n#read in dataset as pandas DataFrame\n<\/span>df = pd. read_csv<\/span> (url, sep=\" \")\n\n#view first five rows of DataFrame\n<\/span>df. head<\/span> ()\n\n\tyear chicken egg\n0 1930 468491 3581\n1 1931 449743 3532\n2 1932 436815 3327\n3 1933 444523 3255\n4 1934 433937 3156\n<\/strong><\/pre>\n Schritt 2: F\u00fchren Sie den Granger-Kausalit\u00e4tstest durch<\/strong><\/span><\/h3>\n
from<\/span> statsmodels. tsa<\/span> . stattools<\/span> import<\/span> grangercausalitytests<\/span>\n\n#perform Granger-Causality test<\/span>\ngrangercausalitytests(df[[' chicken<\/span> ', ' egg<\/span> ']], maxlag=[ 3<\/span> ])\n\nGranger Causality\nnumber of lags (no zero) 3\nssr based F test: F=5.4050, p=0.0030, df_denom=44, df_num=3\nssr based chi2 test: chi2=18.7946, p=0.0003, df=3\nlikelihood ratio test: chi2=16.0003, p=0.0011, df=3\nparameter F test: F=5.4050, p=0.0030, df_denom=44, df_num=3<\/strong><\/pre>\n Schritt 3: F\u00fchren Sie den Granger-Kausalit\u00e4tstest in umgekehrter Reihenfolge durch<\/strong><\/span><\/h3>\n
from<\/span> statsmodels. tsa<\/span> . stattools<\/span> import<\/span> grangercausalitytests<\/span>\n\n#perform Granger-Causality test<\/span>\ngrangercausalitytests(df[[' egg<\/span> ', ' chicken<\/span> ']], maxlag=[ 3<\/span> ])\n\nGranger Causality\nnumber of lags (no zero) 3\nssr based F test: F=0.5916, p=0.6238, df_denom=44, df_num=3\nssr based chi2 test: chi2=2.0572, p=0.5606, df=3\nlikelihood ratio test: chi2=2.0168, p=0.5689, df=3\nparameter F test: F=0.5916, p=0.6238, df_denom=44, df_num=3\n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So erstellen Sie ein Zeitreihendiagramm in Matplotlib<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"