Python တွင် ljung-box စမ်းသပ်နည်း

Ljung-Box စမ်းသပ်မှု သည် အချိန်စီးရီးတစ်ခုအတွင်း အလိုအလျောက်ဆက်စပ်မှုရှိမရှိ စစ်ဆေးသည့် ကိန်းဂဏန်းစမ်းသပ်မှုတစ်ခုဖြစ်သည်။

၎င်းသည် အောက်ပါယူဆချက်များကို အသုံးပြုသည်။

H ₀ : အကြွင်းအကျန်များကို လွတ်လပ်စွာ ဖြန့်ဝေသည်။

H _A : အကြွင်းအကျန်များကို သီးခြားခွဲဝေခြင်းမပြုပါ။ ၎င်းတို့သည် အမှတ်စဉ်ဆက်နွယ်မှုကို ပြသသည်။

အကောင်းဆုံးအားဖြင့်၊ ကျွန်ုပ်တို့သည် null hypothesis ကို ငြင်းပယ်လိုပါသည်။ ဆိုလိုသည်မှာ၊ ကျွန်ုပ်တို့သည် စမ်းသပ်မှု၏ p-value ကို 0.05 ထက် ကြီးစေလိုသည်၊ ဆိုလိုသည်မှာ ကျွန်ုပ်တို့၏ time series model ၏ အကြွင်းအကျန်များသည် သီးခြားဖြစ်သည်၊ ဆိုလိုသည်မှာ မော်ဒယ်ဖန်တီးသည့်အခါတွင် ကျွန်ုပ်တို့ ယူဆလေ့ရှိသော ယူဆချက်တစ်ခုဖြစ်သည်။

ဤသင်ခန်းစာတွင် Python ရှိ Ljung-Box စမ်းသပ်နည်းကို ရှင်းပြထားသည်။

ဥပမာ- Python ရှိ Ljung-Box စမ်းသပ်မှု

Python ရှိ ဒေတာစီးရီးတစ်ခုတွင် Ljung-Box စမ်းသပ်မှုကို လုပ်ဆောင်ရန် အောက်ပါ syntax ကိုအသုံးပြုသည့် statsmodels စာကြည့်တိုက်မှ acorr_ljungbox() လုပ်ဆောင်ချက်ကို သင်အသုံးပြုနိုင်သည်-

acorr_ljungbox(x၊ offsets=မရှိ)

ရွှေ-

• x: ဒေတာစီးရီး
• lags- စမ်းသပ်ရန် နောက်ကျမှုများ အရေအတွက်

ဤလုပ်ဆောင်ချက်သည် စမ်းသပ်မှုစာရင်းအင်းနှင့် သက်ဆိုင်ရာ p-တန်ဖိုးကို ပြန်ပေးသည်။ p-value သည် သတ်မှတ်ထားသော အတိုင်းအတာတစ်ခုအောက် ရောက်နေပါက (ဥပမာ α = 0.05)၊ သင်သည် null hypothesis ကို ငြင်းပယ်နိုင်ပြီး ကျန်ရှိသော အရာများကို လွတ်လပ်စွာ ဖြန့်ဝေမည်မဟုတ်ကြောင်း ကောက်ချက်ချနိုင်သည်။

“ SUNACTIVITY” ဟုခေါ်သော built-in statsmodels ဒေတာအတွဲတွင် Ljung-Box စမ်းသပ်မှုကို လုပ်ဆောင်ရန် အောက်ပါကုဒ်သည် ဤလုပ်ဆောင်ချက်ကို အသုံးပြုနည်းကို ပြသသည်-

 import statsmodels.api as sm

#load data series
data = sm.datasets.sunspots.load_pandas().data

#view first ten rows of data series 
data[:5]

YEAR SUNACTIVITY
0 1700.0 5.0
1 1701.0 11.0
2 1702.0 16.0
3 1703.0 23.0
4 1704.0 36.0

#fit ARMA model to dataset
res = sm. tsa . ARMA (data[" SUNACTIVITY "],(1,1)). fit (disp=-1)

#perform Ljung-Box test on residuals with lag=5
sm. stats . acorr_ljungbox (res. resid , lags=[5], return_df= True )

          lb_stat lb_pvalue
5 107.86488 1.157710e-21

စမ်းသပ်မှုစာရင်းအင်းသည် 107.86488 ဖြစ်ပြီး စမ်းသပ်မှု p-value သည် 1.157710e-21 ဖြစ်ပြီး 0.05 ထက် များစွာလျော့နည်းသည်။ ထို့ကြောင့်၊ ကျွန်ုပ်တို့သည် စမ်းသပ်မှု၏ null hypothesis ကို ငြင်းပယ်ပြီး ကျန်အကြွင်းအကျန်များသည် သီးခြားလွတ်လပ်မှုမရှိဟု ကောက်ချက်ချပါသည်။

ဤဥပမာတွင် အော့ဖ်ဆက်တန်ဖိုး 5 ကိုအသုံးပြုရန် ကျွန်ုပ်တို့ရွေးချယ်ထားကြောင်း သတိပြုပါ၊ သို့သော် အော့ဖ်ဆက်အတွက် သင်အသုံးပြုလိုသည့်တန်ဖိုးကို သင်ရွေးချယ်နိုင်သည်။ ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် 20 ၏တန်ဖိုးကို အစားထိုးအသုံးပြုနိုင်သည်-

 #perform Ljung-Box test on residuals with lag=20
sm. stats . acorr_ljungbox (res. resid , lags=[20], return_df= True )

           lb_stat lb_pvalue
20 343.634016 9.117477e-61

စစ်ဆေးမှု၏ စစ်ဆေးမှုစာရင်းအင်းသည် 343.634016 ဖြစ်ပြီး စစ်ဆေးမှု၏ p-value သည် 9.117477e-61 ဖြစ်ပြီး 0.05 ထက် များစွာနည်းပါသည်။ ထို့ကြောင့်၊ ကျွန်ုပ်တို့သည် စမ်းသပ်မှု၏ null hypothesis ကို တစ်ဖန် ငြင်းပယ်ပြီး ကျန်ရှိသော အရာများသည် သီးခြားမဟုတ်ကြောင်း ကောက်ချက်ချပါသည်။

သင်၏ သီးခြားအခြေအနေပေါ် မူတည်၍ အော့ဖ်ဆက်အတွက် အသုံးပြုရန် အနိမ့် သို့မဟုတ် ပိုမြင့်သော တန်ဖိုးကို သင်ရွေးချယ်နိုင်သည်။