Dieser Test verwendet die folgende Null- und Alternativhypothese:<\/span><\/p>\n Wenn der p-Wert<\/a> des Tests unter einem bestimmten Signifikanzniveau liegt (z. B. \u03b1 = 0,05), lehnen wir die Nullhypothese ab und kommen zu dem Schluss, dass die Zeitreihe keinen station\u00e4ren Trend aufweist.<\/span><\/p>\n Andernfalls k\u00f6nnen wir die Nullhypothese nicht ablehnen.<\/span><\/p>\n Die folgenden Beispiele zeigen, wie Sie einen KPSS-Test in Python durchf\u00fchren.<\/span><\/p>\n Lassen Sie uns zun\u00e4chst einige gef\u00e4lschte Daten in Python erstellen, mit denen wir arbeiten k\u00f6nnen:<\/span> <\/p>\n Wir k\u00f6nnen die Funktion kpss()<\/strong> aus dem Paket statsmodels<\/b> verwenden, um einen KPSS-Test f\u00fcr diese Zeitreihendaten durchzuf\u00fchren:<\/span><\/p>\n So interpretieren Sie das Ergebnis:<\/span><\/p>\n Der p-Wert betr\u00e4gt 0,1<\/strong> . Da dieser Wert nicht kleiner als 0,05 ist, k\u00f6nnen wir die Nullhypothese des KPSS-Tests nicht ablehnen.<\/span><\/p>\n Das bedeutet, dass wir davon ausgehen k\u00f6nnen, dass die Zeitreihe einen station\u00e4ren Trend aufweist.<\/span><\/p>\n Hinweis 1<\/strong> : Der p-Wert ist tats\u00e4chlich immer noch gr\u00f6\u00dfer als 0,1, aber der niedrigste Wert, den die Funktion kpss() erzeugt, ist 0,1.<\/span><\/p>\n Hinweis 2<\/strong> : Sie m\u00fcssen das Argument regression=’ct‘<\/strong> verwenden, um anzugeben, dass die Nullhypothese des Tests darin besteht, dass die Daten einen station\u00e4ren Trend aufweisen.<\/span><\/p>\n Lassen Sie uns zun\u00e4chst einige gef\u00e4lschte Daten in Python erstellen, mit denen wir arbeiten k\u00f6nnen:<\/span> <\/p>\n Auch hier k\u00f6nnen wir die Funktion kpss()<\/strong> aus dem statsmodels-<\/b> Paket verwenden, um einen KPSS-Test f\u00fcr diese Zeitreihendaten durchzuf\u00fchren:<\/span><\/p>\n So interpretieren Sie das Ergebnis:<\/span><\/p>\n Der p-Wert betr\u00e4gt 0,0458<\/strong> . Da dieser Wert kleiner als 0,05 ist, lehnen wir die Nullhypothese des KPSS-Tests ab.<\/span><\/p>\n Dies bedeutet, dass die Zeitreihe nicht station\u00e4r ist<\/em> .<\/span><\/p>\n Hinweis<\/strong> : Die vollst\u00e4ndige Dokumentation f\u00fcr die Funktion kpss() aus dem Paket statsmodels finden Sie hier<\/a> .<\/span><\/p>\n Die folgenden Tutorials bieten zus\u00e4tzliche Informationen zum Arbeiten mit Zeitreihendaten in Python:<\/span><\/p>\n So f\u00fchren Sie einen erweiterten Dickey-Fuller-Test in Python durch<\/a> Mit einem KPSS-Test kann festgestellt werden, ob eine Zeitreihe einen station\u00e4ren Trend aufweist. Dieser Test verwendet die folgende Null- und Alternativhypothese: H 0 : Die Zeitreihe hat einen station\u00e4ren Trend. H A : Die Zeitreihe weist keinen station\u00e4ren Trend auf. Wenn der p-Wert des Tests unter einem bestimmten Signifikanzniveau liegt (z. B. \u03b1 = 0,05), […]<\/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\n
Beispiel 1: KPSS-Test in Python (mit station\u00e4ren Daten)<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np<\/span>\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\n#make this example reproducible\n<\/span>n.p. random<\/span> . seed<\/span> ( 1<\/span> )\n\n#create time series data\n<\/span>data = np. random<\/span> . normal<\/span> (size= 100<\/span> )\n\n#create line plot of time series data\n<\/span>plt. plot<\/span> (data)<\/span><\/span><\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kpss3.jpg\")
<\/p>\n import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#perform KPSS test\n<\/span>sm. tsa<\/span> . stattools<\/span> . kpss<\/span> (data, regression=' ct<\/span> ')\n\n(0.0477617848370993,\n 0.1,\n 1,\n {'10%': 0.119, '5%': 0.146, '2.5%': 0.176, '1%': 0.216})\n\nInterpolationWarning: The test statistic is outside of the range of p-values available\nin the look-up table. The actual p-value is greater than the p-value returned.\n<\/strong><\/span><\/pre>\n\n
Beispiel 2: KPSS-Test in Python (mit instation\u00e4ren Daten)<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np<\/span>\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\n#make this example reproducible\n<\/span>n.p. random<\/span> . seed<\/span> ( 1<\/span> )\n\n#create time series data\n<\/span>data =np. array<\/span> ([0, 3, 4, 3, 6, 7, 5, 8, 15, 13, 19, 12, 29, 15, 45, 23, 67, 45])\n\n#create line plot of time series data\n<\/span>plt. plot<\/span> (data)<\/span><\/span><\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kpss4.jpg\")
<\/p>\n import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#perform KPSS test\n<\/span>sm. tsa<\/span> . stattools<\/span> . kpss<\/span> (data, regression=' ct<\/span> ')\n\n(0.15096358910843685,\n 0.04586367574296928,\n 3,\n {'10%': 0.119, '5%': 0.146, '2.5%': 0.176, '1%': 0.216})\n<\/strong><\/span><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span>
<\/span><\/h3>\n
So f\u00fchren Sie einen Mann-Kendall-Trendtest in Python durch<\/a>
So zeichnen Sie eine Zeitreihe in Matplotlib<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"