Questo test utilizza la seguente ipotesi nulla e alternativa:<\/span><\/p>\n Se il p-value<\/a> del test \u00e8 inferiore ad un certo livello di significativit\u00e0 (es. \u03b1 = 0,05), allora rifiutiamo l’ipotesi nulla e concludiamo che la serie storica non ha un trend stazionario.<\/span><\/p>\n Altrimenti non riusciremo a rifiutare l\u2019ipotesi nulla.<\/span><\/p>\n Gli esempi seguenti mostrano come eseguire un test KPSS in R.<\/span><\/p>\n Innanzitutto, creiamo alcuni dati falsi in R con cui lavorare:<\/span> <\/p>\n Possiamo utilizzare la funzione kpss.test()<\/strong> dal pacchetto tseries<\/strong> per eseguire un test KPSS sui dati di queste serie temporali:<\/span><\/p>\n Il valore p \u00e8 0,1<\/strong> . Poich\u00e9 questo valore non \u00e8 inferiore a 0,05, non riusciamo a rifiutare l’ipotesi nulla del test KPSS.<\/span><\/p>\n Ci\u00f2 significa che possiamo assumere che la serie storica abbia un andamento stazionario.<\/span><\/p>\n Nota<\/strong> : il valore p in realt\u00e0 \u00e8 ancora maggiore di 0,1, ma il valore pi\u00f9 basso prodotto dalla funzione kpss.test() \u00e8 0,1.<\/span><\/p>\n Innanzitutto, creiamo alcuni dati falsi in R con cui lavorare:<\/span> <\/p>\n Ancora una volta, possiamo utilizzare la funzione kpss.test()<\/strong> del pacchetto tseries<\/strong> per eseguire un test KPSS sui dati di questa serie temporale:<\/span><\/p>\n Il valore p \u00e8 0,04751<\/strong> . Essendo questo valore inferiore a 0,05, rifiutiamo l’ipotesi nulla del test KPSS.<\/span><\/p>\n Ci\u00f2 significa che la serie storica non \u00e8<\/em> stazionaria.<\/span><\/p>\n Le esercitazioni seguenti forniscono informazioni aggiuntive su come utilizzare i dati delle serie temporali in R:<\/span><\/p>\n Come tracciare una serie temporale in R<\/a> Un test KPSS pu\u00f2 essere utilizzato per determinare se una serie temporale ha un trend stazionario. Questo test utilizza la seguente ipotesi nulla e alternativa: H 0 : La serie storica ha un andamento stazionario. H A : La serie storica non ha un andamento stazionario. Se il p-value del test \u00e8 inferiore ad un […]<\/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
Esempio 1: test KPSS in R (con dati stazionari)<\/strong><\/span><\/h3>\n
#make this example reproducible\nset. seeds<\/span> (100)\n\n#create time series data\n<\/span>data<-rnorm(100)\n\n#plot time series data as line plot\n<\/span>plot(data, type=' l<\/span> ')<\/span><\/span><\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kpss1.jpg\")
<\/p>\n library<\/span> (tseries)\n\n#perform KPSS test<\/span>\nkpss. test<\/span> (data, null=\" Trend<\/span> \")\n\n\tKPSS Test for Trend Stationarity\n\ndata:data\nKPSS Trend = 0.034563, Truncation lag parameter = 4, p-value = 0.1\n\nWarning message:\nIn kpss.test(data, null = \"Trend\"): p-value greater than printed p-value\n<\/strong><\/pre>\n Esempio 2: test KPSS in R (con dati non stazionari)<\/strong><\/span><\/h3>\n
#make this example reproducible\n\n#create time series data\n<\/span>data <-c(0, 3, 4, 3, 6, 7, 5, 8, 15, 13, 19, 12, 29, 15, 45, 23, 67, 45)\n\n#plot time series data as line plot\n<\/span>plot(data, type=' l<\/span> ')<\/span><\/span><\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kpss2.jpg\")
<\/p>\n library<\/span> (tseries)\n\n#perform KPSS test<\/span>\nkpss. test<\/span> (data, null=\" Trend<\/span> \")\n\n\tKPSS Test for Trend Stationarity\n\ndata:data\nKPSS Trend = 0.149, Truncation lag parameter = 2, p-value = 0.04751<\/strong><\/pre>\n Risorse addizionali<\/strong><\/span>
<\/span><\/h3>\n
Come eseguire un test Dickey-Fuller aumentato in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"