De testhypotheses zijn als volgt:<\/span><\/p>\n H 0<\/sub> (nulhypothese):<\/strong> er is geen trend aanwezig in de gegevens.<\/span><\/p>\n H A<\/sub> (alternatieve hypothese):<\/strong> Er is een trend aanwezig in de gegevens. (Dit kan een positieve of negatieve trend zijn)<\/span><\/p>\n Als de p-waarde van de test onder een bepaald significantieniveau ligt (veel voorkomende keuzes zijn 0,10, 0,05 en 0,01), dan is er statistisch significant bewijs dat er een trend aanwezig is in de gegevens uit de tijdreeks.<\/span><\/p>\n In deze tutorial wordt uitgelegd hoe u een Mann-Kendall-trendtest uitvoert in Python.<\/span><\/p>\n Om een Mann-Kendall-trendtest in Python uit te voeren, zullen we eerst het pymannkendall-<\/a> pakket installeren:<\/span><\/p>\n Zodra we dit pakket hebben ge\u00efnstalleerd, kunnen we de Mann-Kendall-trendtest uitvoeren op een tijdreeksgegevensset:<\/span><\/p>\n Zo interpreteert u het testresultaat:<\/span><\/p>\n De belangrijkste waarde waarin we ge\u00efnteresseerd zijn, is de p-waarde, die ons vertelt of er al dan niet een statistisch significante trend in de gegevens zit.<\/span><\/p>\n In dit voorbeeld is de p-waarde 0,4226<\/strong> , wat niet minder is dan 0,05. Daarom is er geen significante trend in de tijdreeksgegevens.<\/span><\/p>\n Naast het uitvoeren van de Mann-Kendall-trendtest kunnen we met Matplotlib een snelle lijngrafiek maken om de feitelijke tijdreeksgegevens te visualiseren:<\/span><\/p>\n keer Uit de grafiek kunnen we zien dat de gegevens enigszins verspreid zijn, wat bevestigt dat er geen duidelijke trend in de gegevens zit.<\/span><\/p>\n Hoe een tijdreeks in Matplotlib te plotten<\/a> Om te bepalen of er al dan niet sprake is van een trend in tijdreeksgegevens, wordt een Mann-Kendall-trendtest gebruikt. Dit is een niet-parametrische test, wat betekent dat er geen onderliggende aannames worden gedaan over de normaliteit van de gegevens. De testhypotheses zijn als volgt: H 0 (nulhypothese): er is geen trend aanwezig in de gegevens. […]<\/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":[],"class_list":["post-1362","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: Mann-Kendall-trendtest in Python<\/strong><\/span><\/h3>\n
pip install<\/span> pymannkendall<\/strong><\/pre>\n #create dataset\n<\/span>data = [31, 29, 28, 28, 27, 26, 26, 27, 27, 27, 28, 29, 30, 29, 30, 29, 28]\n\n#perform Mann-Kendall Trend Test\n<\/span>import<\/span> pymannkendall as<\/span> mk\n\nmk. original_test<\/span> (data)\n\nMann_Kendall_Test(trend='no trend', h=False, p=0.422586268671707,\n z=0.80194241623, Tau=0.147058823529, s=20.0,\n var_s=561.33333333, slope=0.0384615384615, intercept=27.692307692)<\/strong><\/pre>\n\n
import<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\nplt. plot<\/span> (data)\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mannkendallpython1.png\")
<\/p>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe u een uitgebreide Dickey-Fuller-test uitvoert in Python<\/a>
Hoe meerdere series uit een Pandas DataFrame te plotten<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"