<\/p>\n
De Granger-causaliteitstest<\/strong> wordt gebruikt om te bepalen of de ene tijdreeks al dan niet nuttig is bij het voorspellen van een andere.<\/span><\/p>\n Deze test maakt gebruik van de volgende nul- en alternatieve hypothesen:<\/span><\/p>\n Nulhypothese (H 0<\/sub> ):<\/strong> de tijdreeks x<\/em> veroorzaakt niet de tijdreeks y<\/em> bij Granger<\/span><\/p>\n Alternatieve hypothese ( HA<\/sub> ):<\/strong> Tijdreeks x<\/em> Tijdreeks van Granger veroorzaakt y<\/em><\/span><\/p>\n De term „Granger-oorzaken“ betekent dat het kennen van de waarde van tijdreeks x<\/em> met een bepaalde vertraging nuttig is voor het voorspellen van de waarde van tijdreeks y<\/em> in een latere periode.<\/span><\/p>\n Deze test levert een F-teststatistiek op met een overeenkomstige p-waarde<\/a> . Als de p-waarde onder<\/span> een bepaald significantieniveau ligt (dwz \u03b1 = 0,05), dan kunnen we de nulhypothese verwerpen en concluderen dat we voldoende bewijs hebben om te beweren dat de tijdreeks x<\/em> Granger de tijdreeks y veroorzaakt.<\/span><\/p>\n We kunnen de functie grangercausalitytests()<\/a> uit het statsmodels-pakket gebruiken om een Granger-Causality-test uit te voeren in Python:<\/span><\/p>\n Houd er rekening mee dat maxlag<\/strong> het aantal vertragingen specificeert dat moet worden gebruikt in de eerste tijdreeks.<\/span><\/span><\/p>\n Het volgende stap-voor-stap voorbeeld laat zien hoe u deze functie in de praktijk kunt gebruiken.<\/span><\/p>\n Voor dit voorbeeld gebruiken we een dataset met waarden voor het aantal gemaakte eieren en het aantal kippen in de Verenigde Staten van 1930 tot 1983:<\/span><\/p>\n Gerelateerd:<\/strong><\/span> CSV-bestanden lezen met Panda’s<\/a><\/p>\n Vervolgens zullen we de functie grangercausalitytests<\/strong> ()<\/strong> gebruiken om een Granger causaliteitstest uit te voeren om te zien of het aantal gemaakte eieren voorspellend is voor het toekomstige aantal kippen. We zullen de test uitvoeren met behulp van drie offsets:<\/span><\/p>\n De F-teststatistiek blijkt 5,405<\/strong> te zijn en de overeenkomstige p-waarde is 0,0030<\/strong> .<\/span><\/p>\n Omdat de p-waarde kleiner is dan 0,05, kunnen we de nulhypothese van de test verwerpen en concluderen dat het kennen van het aantal eieren nuttig is bij het voorspellen van het toekomstige aantal kippen.<\/span><\/p>\n Hoewel we de nulhypothese van de test hebben verworpen, is het in feite mogelijk dat er sprake is van omgekeerde causaliteit. Met andere woorden: het is mogelijk dat het aantal kippen een verandering in het aantal eieren veroorzaakt.<\/span><\/p>\n Om deze mogelijkheid uit te sluiten, moeten we de Granger-Causaliteitstest in omgekeerde volgorde uitvoeren, met kippen als voorspellende variabele en eieren alsresponsvariabele<\/a> :<\/span><\/p>\n De F-teststatistiek blijkt 0,5916<\/strong> te zijn en de overeenkomstige p-waarde is 0,6238<\/strong> .<\/span><\/p>\n Omdat de p-waarde niet kleiner is dan 0,05, kunnen we de nulhypothese niet verwerpen. Met andere woorden: het aantal kippen voorspelt niet het toekomstige aantal eieren.<\/span><\/p>\n We kunnen dus concluderen dat het kennen van het aantal eieren nuttig is bij het voorspellen van het toekomstige aantal kippen.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken met tijdreeksen in Python kunt uitvoeren:<\/span><\/p>\n Hoe u een tijdreeksplot maakt in Seaborn<\/a> De Granger-causaliteitstest wordt gebruikt om te bepalen of de ene tijdreeks al dan niet nuttig is bij het voorspellen van een andere. Deze test maakt gebruik van de volgende nul- en alternatieve hypothesen: Nulhypothese (H 0 ): de tijdreeks x veroorzaakt niet de tijdreeks y bij Granger Alternatieve hypothese ( HA ): Tijdreeks x Tijdreeks […]<\/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-2472","post","type-post","status-publish","format-standard","hentry","category-gids"],"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 Stap 1: Gegevens laden<\/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 Stap 2: Voer de causaliteitstest van Granger uit<\/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 Stap 3: Voer de Granger-causaliteitstest in omgekeerde volgorde uit<\/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 Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe u een tijdreeksplot maakt in Matplotlib<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"