<\/p>\n
Test przyczynowo\u015bci Grangera<\/strong> s\u0142u\u017cy do okre\u015blenia, czy jedna seria czasowa jest przydatna do przewidywania innej.<\/span><\/p>\n W te\u015bcie tym wykorzystuje si\u0119 nast\u0119puj\u0105ce hipotezy zerowe i alternatywne:<\/span><\/p>\n Hipoteza zerowa (H 0<\/sub> ):<\/strong> szereg czasowy x<\/em> nie powoduje, \u017ce szereg czasowy y<\/em> przechodzi do Granger<\/span><\/p>\n Hipoteza alternatywna ( HA<\/sub> ):<\/strong> Szereg czasowy x<\/em> Szereg czasowy przyczyn Grangera y<\/em><\/span><\/p>\n Termin \u201eprzyczyny Grangera\u201d oznacza, \u017ce znajomo\u015b\u0107 warto\u015bci szeregu czasowego x<\/em> z pewnym op\u00f3\u017anieniem jest przydatna do przewidywania warto\u015bci szeregu czasowego y<\/em> w p\u00f3\u017aniejszym okresie.<\/span><\/p>\n Ten test generuje statystyk\u0119 testu F z odpowiedni\u0105 warto\u015bci\u0105 p<\/a> . Je\u015bli warto\u015b\u0107 p jest poni\u017cej<\/span> pewnego poziomu istotno\u015bci (tj. \u03b1 = 0,05), w\u00f3wczas mo\u017cemy odrzuci\u0107 hipotez\u0119 zerow\u0105 i stwierdzi\u0107, \u017ce mamy wystarczaj\u0105ce dowody, aby stwierdzi\u0107, \u017ce szereg czasowy x<\/em> Granger powoduje szereg czasowy y.<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 funkcji grangercausalitytests()<\/a> z pakietu statsmodels, aby przeprowadzi\u0107 test Granger-Causality w Pythonie:<\/span><\/p>\n Nale\u017cy pami\u0119ta\u0107, \u017ce maxlag<\/strong> okre\u015bla liczb\u0119 op\u00f3\u017anie\u0144 do wykorzystania w pierwszej serii czasowej.<\/span><\/span><\/p>\n Poni\u017cszy przyk\u0142ad krok po kroku pokazuje, jak w praktyce wykorzysta\u0107 t\u0119 funkcj\u0119.<\/span><\/p>\n W tym przyk\u0142adzie u\u017cyjemy zbioru danych zawieraj\u0105cego warto\u015bci dotycz\u0105ce liczby wyprodukowanych jaj oraz liczby kurcz\u0105t w Stanach Zjednoczonych w latach 1930\u20131983:<\/span><\/p>\n Powi\u0105zane:<\/strong><\/span> Jak czyta\u0107 pliki CSV za pomoc\u0105 Pand<\/a><\/p>\n Nast\u0119pnie u\u017cyjemy funkcji grangercausalitytests<\/strong> ()<\/strong> , aby przeprowadzi\u0107 test przyczynowo\u015bci Grangera, aby sprawdzi\u0107, czy liczba wyprodukowanych jaj pozwala przewidzie\u0107 przysz\u0142\u0105 liczb\u0119 kur. Test przeprowadzimy przy u\u017cyciu trzech przesuni\u0119\u0107:<\/span><\/p>\n Statystyka testu F wynosi 5,405<\/strong> , a odpowiadaj\u0105ca jej warto\u015b\u0107 p wynosi 0,0030<\/strong> .<\/span><\/p>\n Poniewa\u017c warto\u015b\u0107 p jest mniejsza ni\u017c 0,05, mo\u017cemy odrzuci\u0107 hipotez\u0119 zerow\u0105 testu i stwierdzi\u0107, \u017ce znajomo\u015b\u0107 liczby jaj jest przydatna w przewidywaniu przysz\u0142ej liczby kur.<\/span><\/p>\n Chocia\u017c odrzucili\u015bmy hipotez\u0119 zerow\u0105 testu, w rzeczywisto\u015bci jest mo\u017cliwe, \u017ce mo\u017ce zaistnie\u0107 przypadek odwrotnej przyczynowo\u015bci. Innymi s\u0142owy, mo\u017cliwe jest, \u017ce liczba kur powoduje zmian\u0119 liczby jaj.<\/span><\/p>\n Aby wykluczy\u0107 t\u0119 mo\u017cliwo\u015b\u0107, musimy przeprowadzi\u0107 odwrotny test Grangera-Przyczynowo\u015bci, u\u017cywaj\u0105c kurczak\u00f3w jako zmiennej predykcyjnej i jaj jakozmiennej odpowiedzi<\/a> :<\/span><\/p>\n Statystyka testu F wynosi 0,5916<\/strong> , a odpowiadaj\u0105ca jej warto\u015b\u0107 p wynosi 0,6238<\/strong> .<\/span><\/p>\n Poniewa\u017c warto\u015b\u0107 p jest nie mniejsza ni\u017c 0,05, nie mo\u017cemy odrzuci\u0107 hipotezy zerowej. Innymi s\u0142owy, liczba kur nie przewiduje przysz\u0142ej liczby jaj.<\/span><\/p>\n Mo\u017cemy zatem stwierdzi\u0107, \u017ce znajomo\u015b\u0107 liczby jaj jest przydatna w przewidywaniu przysz\u0142ej liczby kur.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania z szeregami czasowymi w Pythonie:<\/span><\/p>\n Jak utworzy\u0107 wykres szereg\u00f3w czasowych w Seaborn<\/a> Test przyczynowo\u015bci Grangera s\u0142u\u017cy do okre\u015blenia, czy jedna seria czasowa jest przydatna do przewidywania innej. W te\u015bcie tym wykorzystuje si\u0119 nast\u0119puj\u0105ce hipotezy zerowe i alternatywne: Hipoteza zerowa (H 0 ): szereg czasowy x nie powoduje, \u017ce szereg czasowy y przechodzi do Granger Hipoteza alternatywna ( HA ): Szereg czasowy x Szereg czasowy przyczyn Grangera y […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-2470","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"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 Krok 1: Za\u0142aduj dane<\/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 Krok 2: Wykonaj test przyczynowo\u015bci Grangera<\/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 Krok 3: Wykonaj test przyczynowo\u015bci Grangera w odwrotnej kolejno\u015bci<\/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 Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak utworzy\u0107 wykres szereg\u00f3w czasowych w Matplotlib<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"