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 Python.<\/span><\/p>\n Innanzitutto, creiamo alcuni dati falsi in Python con cui lavorare:<\/span> <\/p>\n Possiamo utilizzare la funzione kpss()<\/strong> dal pacchetto statsmodels<\/b> per eseguire un test KPSS su questi dati di serie temporali:<\/span><\/p>\n Ecco come interpretare il risultato:<\/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 1<\/strong> : il valore p in realt\u00e0 \u00e8 ancora maggiore di 0,1, ma il valore pi\u00f9 basso prodotto dalla funzione kpss() \u00e8 0,1.<\/span><\/p>\n Nota 2<\/strong> : \u00e8 necessario utilizzare l’argomento regression=’ct’<\/strong> per specificare che l’ipotesi nulla del test \u00e8 che i dati abbiano un trend stazionario.<\/span><\/p>\n Innanzitutto, creiamo alcuni dati falsi in Python con cui lavorare:<\/span> <\/p>\n Ancora una volta, possiamo utilizzare la funzione kpss()<\/strong> del pacchetto statsmodels<\/b> per eseguire un test KPSS su questi dati di serie temporali:<\/span><\/p>\n Ecco come interpretare il risultato:<\/span><\/p>\n Il valore p \u00e8 0,0458<\/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 Nota<\/strong> : puoi trovare la documentazione completa per la funzione kpss() nel pacchetto statsmodels qui<\/a> .<\/span><\/p>\n I seguenti tutorial forniscono informazioni aggiuntive su come lavorare con i dati delle serie temporali in Python:<\/span><\/p>\n Come eseguire un test Dickey-Fuller aumentato in Python<\/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 Python (con dati stazionari)<\/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
Esempio 2: test KPSS in Python (con dati non stazionari)<\/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
Risorse addizionali<\/strong><\/span>
<\/span><\/h3>\n
Come eseguire un test di tendenza di Mann-Kendall in Python<\/a>
Come tracciare una serie temporale in Matplotlib<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"