<\/p>\n
Il test di causalit\u00e0 di Granger<\/strong> viene utilizzato per determinare se una serie temporale \u00e8 utile o meno per prevederne un’altra.<\/span><\/p>\n Questo test utilizza le seguenti ipotesi nulle e alternative:<\/span><\/p>\n Ipotesi nulla (H 0<\/sub> ):<\/strong> la serie temporale x<\/em> non causa la serie temporale y<\/em> a Granger<\/span><\/p>\n Ipotesi alternativa ( HA<\/sub> ):<\/strong> Serie temporali x<\/em> Serie temporali delle cause Granger y<\/em><\/span><\/p>\n Il termine “cause di Granger” significa che conoscere il valore della serie temporale x<\/em> con un certo ritardo \u00e8 utile per prevedere il valore della serie temporale y<\/em> in un periodo successivo.<\/span><\/p>\n Questo test produce una statistica del test F con un valore p<\/a> corrispondente. Se il valore p \u00e8 inferiore<\/span> a un certo livello di significativit\u00e0 (cio\u00e8 \u03b1 = 0,05), allora possiamo rifiutare l’ipotesi nulla e concludere che abbiamo prove sufficienti per affermare che la serie temporale x<\/em> Granger causa la serie temporale y.<\/span><\/p>\n Possiamo usare la funzione grangercausalitytests()<\/a> dal pacchetto statsmodels per eseguire un test Granger-Causality in Python:<\/span><\/p>\n Tieni presente che maxlag<\/strong> specifica il numero di ritardi da utilizzare nella prima serie temporale.<\/span><\/span><\/p>\n Il seguente esempio passo passo mostra come utilizzare questa funzione nella pratica.<\/span><\/p>\n Per questo esempio, utilizzeremo un set di dati contenente valori per il numero di uova prodotte e il numero di polli negli Stati Uniti dal 1930 al 1983:<\/span><\/p>\n Correlato:<\/strong><\/span> Come leggere file CSV con Panda<\/a><\/p>\n Successivamente, utilizzeremo la funzione grangercausalitytests<\/strong> ()<\/strong> per eseguire un test di causalit\u00e0 di Granger per vedere se il numero di uova prodotte \u00e8 predittivo del futuro numero di galline. Eseguiremo il test utilizzando tre offset:<\/span><\/p>\n La statistica del test F risulta essere 5,405<\/strong> e il corrispondente valore p \u00e8 0,0030<\/strong> .<\/span><\/p>\n Poich\u00e9 il valore p \u00e8 inferiore a 0,05, possiamo rifiutare l’ipotesi nulla del test e concludere che conoscere il numero di uova \u00e8 utile per prevedere il futuro numero di galline.<\/span><\/p>\n Sebbene abbiamo rifiutato l\u2019ipotesi nulla del test, \u00e8 infatti possibile che si verifichi un caso di causalit\u00e0 inversa. In altre parole, \u00e8 possibile che il numero di galline provochi una variazione nel numero di uova.<\/span><\/p>\n Per escludere questa possibilit\u00e0, dobbiamo eseguire il test di Granger-Causalit\u00e0 al contrario, utilizzando i polli come variabile predittiva e le uova come variabile di risposta<\/a> :<\/span><\/p>\n La statistica del test F risulta essere 0,5916<\/strong> e il corrispondente valore p \u00e8 0,6238<\/strong> .<\/span><\/p>\n Poich\u00e9 il valore p non \u00e8 inferiore a 0,05, non possiamo rifiutare l’ipotesi nulla. In altre parole, il numero di galline non predice il futuro numero di uova.<\/span><\/p>\n Possiamo quindi concludere che conoscere il numero di uova \u00e8 utile per prevedere il futuro numero di galline.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni con le serie temporali in Python:<\/span><\/p>\n Come creare un grafico di serie temporali in Seaborn<\/a> Il test di causalit\u00e0 di Granger viene utilizzato per determinare se una serie temporale \u00e8 utile o meno per prevederne un’altra. Questo test utilizza le seguenti ipotesi nulle e alternative: Ipotesi nulla (H 0 ): la serie temporale x non causa la serie temporale y a Granger Ipotesi alternativa ( HA ): Serie temporali x […]<\/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 Passaggio 1: caricare i dati<\/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 Passaggio 2: eseguire il test di causalit\u00e0 di 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 Passaggio 3: eseguire il test di causalit\u00e0 di Granger al contrario<\/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 Risorse addizionali<\/strong><\/span><\/h3>\n
Come creare un grafico di serie temporali in Matplotlib<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"