Deze test maakt gebruik van de volgende nul- en alternatieve hypothese:<\/span><\/p>\n Als de p-waarde<\/a> van de test onder een bepaald significantieniveau ligt (bijvoorbeeld \u03b1 = 0,05), dan verwerpen we de nulhypothese en concluderen we dat de tijdreeks geen stationaire trend kent.<\/span><\/p>\n Anders zullen we er niet in slagen de nulhypothese te verwerpen.<\/span><\/p>\n De volgende voorbeelden laten zien hoe u een KPSS-test uitvoert in R.<\/span><\/p>\n Laten we eerst een aantal nepgegevens in R maken om mee te werken:<\/span> <\/p>\n We kunnen de functie kpss.test()<\/strong> uit het tseries-<\/strong> pakket gebruiken om een KPSS-test uit te voeren op deze tijdreeksgegevens:<\/span><\/p>\n De p-waarde is 0,1<\/strong> . Omdat deze waarde niet minder dan 0,05 bedraagt, slagen we er niet in de nulhypothese van de KPSS-test te verwerpen.<\/span><\/p>\n Dit betekent dat we kunnen aannemen dat de tijdreeks een stationaire trend kent.<\/span><\/p>\n Opmerking<\/strong> : de p-waarde is feitelijk nog steeds groter dan 0,1, maar de laagste waarde die de functie kpss.test() zal produceren is 0,1.<\/span><\/p>\n Laten we eerst een aantal nepgegevens in R maken om mee te werken:<\/span> <\/p>\n Wederom kunnen we de functie kpss.test()<\/strong> uit het tseries-<\/strong> pakket gebruiken om een KPSS-test uit te voeren op deze tijdreeksgegevens:<\/span><\/p>\n De p-waarde is 0,04751<\/strong> . Omdat deze waarde kleiner is dan 0,05, verwerpen we de nulhypothese van de KPSS-test.<\/span><\/p>\n Dit betekent dat de tijdreeks niet stationair is<\/em> .<\/span><\/p>\n De volgende zelfstudies bieden aanvullende informatie over het werken met tijdreeksgegevens in R:<\/span><\/p>\n Hoe een tijdreeks in R te plotten<\/a> Om te bepalen of een tijdreeks een stationaire trend heeft, kan een KPSS-test worden gebruikt. Deze test maakt gebruik van de volgende nul- en alternatieve hypothese: H 0 : De tijdreeks heeft een stationaire trend. H A : De tijdreeks kent geen stationaire trend. Als de p-waarde van de test onder een bepaald significantieniveau ligt […]<\/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-2660","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld 1: KPSS-test in R (met stationaire gegevens)<\/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 Voorbeeld 2: KPSS-test in R (met niet-stationaire gegevens)<\/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 Aanvullende bronnen<\/strong><\/span>
<\/span><\/h3>\n
Hoe u een uitgebreide Dickey-Fuller-test uitvoert in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"