<\/p>\n
Uji kausalitas Granger<\/strong> digunakan untuk menentukan berguna atau tidaknya suatu rangkaian waktu dalam memprediksi rangkaian waktu lainnya.<\/span><\/p>\n Pengujian ini menggunakan hipotesis nol dan hipotesis alternatif berikut:<\/span><\/p>\n Hipotesis nol (H 0<\/sub> ):<\/strong> deret waktu x<\/em> tidak menyebabkan deret waktu y<\/em> hingga Granger<\/span><\/p>\n Hipotesis alternatif ( HA<\/sub> ):<\/strong> Deret waktu x<\/em> Deret waktu Granger menyebabkan y<\/em><\/span><\/p>\n Yang dimaksud dengan \u201cpenyebab Granger\u201d adalah mengetahui nilai deret waktu x<\/em> dengan lag tertentu berguna untuk memprediksi nilai deret waktu y<\/em> pada periode selanjutnya.<\/span><\/p>\n Uji ini menghasilkan statistik uji F dengan nilai p<\/a> yang sesuai. Jika nilai p berada di bawah<\/span> tingkat signifikansi tertentu (yaitu \u03b1 = 0,05), maka kita dapat menolak hipotesis nol dan menyimpulkan bahwa kita mempunyai bukti yang cukup untuk menyatakan bahwa deret waktu x<\/em> Granger menyebabkan deret waktu y.<\/span><\/p>\n Kita dapat menggunakan fungsi grangercausalitytests()<\/a> dari paket statsmodels untuk melakukan pengujian Granger-Causality dengan Python:<\/span><\/p>\n Perhatikan bahwa maxlag<\/strong> menentukan jumlah lag yang akan digunakan dalam rangkaian waktu pertama.<\/span><\/span><\/p>\n Contoh langkah demi langkah berikut menunjukkan cara menggunakan fungsi ini dalam praktiknya.<\/span><\/p>\n Untuk contoh ini, kita akan menggunakan kumpulan data yang berisi nilai jumlah telur yang dibuat serta jumlah ayam di Amerika Serikat dari tahun 1930 hingga 1983:<\/span><\/p>\n Terkait:<\/strong><\/span> Cara Membaca File CSV dengan Pandas<\/a><\/p>\n Selanjutnya, kita akan menggunakan fungsi grangercausalitytests<\/strong> ()<\/strong> untuk melakukan uji kausalitas Granger untuk melihat apakah jumlah telur yang dihasilkan merupakan prediksi jumlah ayam di masa depan. Kami akan menjalankan pengujian menggunakan tiga offset:<\/span><\/p>\n Statistik uji F ternyata 5,405<\/strong> dan nilai p yang sesuai adalah 0,0030<\/strong> .<\/span><\/p>\n Karena nilai p kurang dari 0,05, kita dapat menolak hipotesis nol dari pengujian tersebut dan menyimpulkan bahwa mengetahui jumlah telur berguna dalam memprediksi jumlah ayam di masa depan.<\/span><\/p>\n Meskipun kami menolak hipotesis nol dari pengujian tersebut, pada kenyataannya ada kemungkinan bahwa kasus kausalitas terbalik dapat terjadi. Dengan kata lain, ada kemungkinan jumlah ayam menyebabkan perubahan jumlah telur.<\/span><\/p>\n Untuk mengesampingkan kemungkinan ini, kita perlu melakukan uji Kausalitas Granger secara terbalik, dengan menggunakan ayam sebagai variabel prediktor dan telur sebagai variabel respon<\/a> :<\/span><\/p>\n Statistik uji F ternyata 0,5916<\/strong> dan nilai p yang sesuai adalah 0,6238<\/strong> .<\/span><\/p>\n Karena nilai p tidak kurang dari 0,05, kita tidak dapat menolak hipotesis nol. Dengan kata lain, jumlah ayam tidak dapat memprediksi jumlah telur di masa depan.<\/span><\/p>\n Dengan demikian, kita dapat menyimpulkan bahwa mengetahui jumlah telur berguna dalam memprediksi jumlah ayam di masa depan.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya dengan deret waktu dengan Python:<\/span><\/p>\n Cara Membuat Plot Deret Waktu di Seaborn<\/a> Uji kausalitas Granger digunakan untuk menentukan berguna atau tidaknya suatu rangkaian waktu dalam memprediksi rangkaian waktu lainnya. Pengujian ini menggunakan hipotesis nol dan hipotesis alternatif berikut: Hipotesis nol (H 0 ): deret waktu x tidak menyebabkan deret waktu y hingga Granger Hipotesis alternatif ( HA ): Deret waktu x Deret waktu Granger menyebabkan y Yang […]<\/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 Langkah 1: Muat data<\/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 Langkah 2: Lakukan uji kausalitas Granger<\/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 Langkah 3: Lakukan Uji Kausalitas Granger secara Terbalik<\/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 Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara membuat plot deret waktu di Matplotlib<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"