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 in Python uitvoert.<\/span><\/p>\n Laten we eerst een aantal nepgegevens in Python maken om mee te werken:<\/span> <\/p>\n We kunnen de functie kpss()<\/strong> uit het statsmodels-<\/b> pakket gebruiken om een KPSS-test uit te voeren op deze tijdreeksgegevens:<\/span><\/p>\n Zo interpreteert u het resultaat:<\/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 1<\/strong> : De p-waarde is feitelijk nog steeds groter dan 0,1, maar de laagste waarde die de functie kpss() zal produceren is 0,1.<\/span><\/p>\n Opmerking 2<\/strong> : U moet het argument regressie=’ct‘<\/strong> gebruiken om aan te geven dat de nulhypothese van de test is dat de gegevens een stationaire trend vertonen.<\/span><\/p>\n Laten we eerst een aantal nepgegevens in Python maken om mee te werken:<\/span> <\/p>\n Opnieuw kunnen we de functie kpss()<\/strong> uit het statsmodels-<\/b> pakket gebruiken om een KPSS-test uit te voeren op deze tijdreeksgegevens:<\/span><\/p>\n Zo interpreteert u het resultaat:<\/span><\/p>\n De p-waarde is 0,0458<\/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 Opmerking<\/strong> : u kunt hier<\/a> de volledige documentatie voor de functie kpss() van het statsmodels-pakket vinden.<\/span><\/p>\n De volgende zelfstudies bieden aanvullende informatie over het werken met tijdreeksgegevens in Python:<\/span><\/p>\n Hoe u een uitgebreide Dickey-Fuller-test uitvoert in Python<\/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-2664","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld 1: KPSS-test in Python (met stationaire data)<\/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
Voorbeeld 2: KPSS-test in Python (met niet-stationaire data)<\/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
Aanvullende bronnen<\/strong><\/span>
<\/span><\/h3>\n
Hoe u een Mann-Kendall-trendtest uitvoert in Python<\/a>
Hoe een tijdreeks in Matplotlib te plotten<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"