{"id":1758,"date":"2023-07-25T02:36:28","date_gmt":"2023-07-25T02:36:28","guid":{"rendered":"https:\/\/statorials.org\/pl\/dickey-fuller-testuje-pythona\/"},"modified":"2023-07-25T02:36:28","modified_gmt":"2023-07-25T02:36:28","slug":"dickey-fuller-testuje-pythona","status":"publish","type":"post","link":"https:\/\/statorials.org\/pl\/dickey-fuller-testuje-pythona\/","title":{"rendered":"Rozszerzony test dickey-fuller w pythonie (z przyk\u0142adem)"},"content":{"rendered":"

<\/p>\n

\n

Szereg czasowy nazywa si\u0119 \u201estacjonarnym\u201d, je\u015bli nie ma trendu, wykazuje sta\u0142\u0105 wariancj\u0119 w czasie i ma sta\u0142\u0105 struktur\u0119 autokorelacji w czasie.<\/span><\/p>\n

Jednym ze sposob\u00f3w sprawdzenia, czy szereg czasowy jest stacjonarny, jest wykonanie rozszerzonego testu Dickeya \u2013 Fullera<\/strong> , w kt\u00f3rym wykorzystuje si\u0119 nast\u0119puj\u0105ce hipotezy zerowe i alternatywne:<\/span><\/p>\n

H 0<\/sub> :<\/strong> Szereg czasowy jest niestacjonarny. Innymi s\u0142owy, jego struktura zale\u017cy od czasu, a jego zmienno\u015b\u0107 nie jest sta\u0142a w czasie.<\/span><\/p>\n

H A<\/sub> :<\/strong> Szereg czasowy jest stacjonarny.<\/span><\/p>\n

Je\u015bli warto\u015b\u0107 p<\/a> testu jest poni\u017cej pewnego poziomu istotno\u015bci (np. \u03b1 = 0,05), w\u00f3wczas mo\u017cemy odrzuci\u0107 hipotez\u0119 zerow\u0105 i stwierdzi\u0107, \u017ce szereg czasowy jest stacjonarny.<\/span><\/p>\n

Poni\u017cszy przyk\u0142ad pokazuje krok po kroku, jak wykona\u0107 rozszerzony test Dickeya-Fullera w Pythonie dla danego szeregu czasowego.<\/span><\/p>\n

Przyk\u0142ad: rozszerzony test Dickeya-Fullera w Pythonie<\/strong><\/span><\/h3>\n

Za\u0142\u00f3\u017cmy, \u017ce mamy w Pythonie nast\u0119puj\u0105ce dane szereg\u00f3w czasowych:<\/span><\/p>\n

 data = [3, 4, 4, 5, 6, 7, 6, 6, 7, 8, 9, 12, 10]<\/strong><\/pre>\n
 Przed wykonaniem rozszerzonego testu Dickeya-Fullera na danych mo\u017cemy stworzy\u0107 szybki wykres w celu wizualizacji danych:<\/span> <\/p>\n
 import<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\nplt. plot<\/span> (data)<\/strong> <\/pre>\n
\"\"<\/p>\n
 pip install statsmodels\n<\/strong><\/pre>\n
 Nast\u0119pnie mo\u017cemy u\u017cy\u0107 nast\u0119puj\u0105cego kodu, aby wykona\u0107 rozszerzony test Dickeya-Fullera:<\/span><\/p>\n
 from<\/span> statsmodels. tsa<\/span> . stattools<\/span> import<\/span> adfuller\n\n#perform augmented Dickey-Fuller test<\/span>\nadfuller(data)\n\n(-0.9753836234744063,\n 0.7621363564361013,\n 0,\n 12,\n {'1%': -4.137829282407408,\n  '5%': -3.1549724074074077,\n  '10%': -2.7144769444444443},\n 31.2466098872313)\n<\/strong><\/pre>\n
 Oto jak interpretowa\u0107 najwa\u017cniejsze warto\u015bci wyniku:<\/span><\/p>\n
 Aby wykona\u0107 rozszerzony test Dickeya-Fullera, mo\u017cemy u\u017cy\u0107 funkcji adfuller()<\/a> z biblioteki statsmodels<\/strong> . Najpierw musimy zainstalowa\u0107 statsmodels:<\/span><\/p>\n