W te\u015bcie tym wykorzystuje si\u0119 nast\u0119puj\u0105c\u0105 hipotez\u0119 zerow\u0105 i alternatywn\u0105:<\/span><\/p>\n Je\u017celi warto\u015b\u0107 p<\/a> testu jest poni\u017cej pewnego poziomu istotno\u015bci (np. \u03b1 = 0,05), w\u00f3wczas odrzucamy hipotez\u0119 zerow\u0105 i stwierdzamy, \u017ce szereg czasowy nie ma tendencji stacjonarnej.<\/span><\/p>\n W przeciwnym razie nie uda nam si\u0119 odrzuci\u0107 hipotezy zerowej.<\/span><\/p>\n Poni\u017csze przyk\u0142ady pokazuj\u0105, jak wykona\u0107 test KPSS w Pythonie.<\/span><\/p>\n Najpierw utw\u00f3rzmy fa\u0142szywe dane w Pythonie, z kt\u00f3rymi b\u0119dziemy mogli pracowa\u0107:<\/span> <\/p>\n Mo\u017cemy u\u017cy\u0107 funkcji kpss()<\/strong> z pakietu statsmodels<\/b> , aby przeprowadzi\u0107 test KPSS na danych szereg\u00f3w czasowych:<\/span><\/p>\n Oto jak zinterpretowa\u0107 wynik:<\/span><\/p>\n Warto\u015b\u0107 p wynosi 0,1<\/strong> . Poniewa\u017c warto\u015b\u0107 ta jest nie mniejsza ni\u017c 0,05, nie mo\u017cna odrzuci\u0107 hipotezy zerowej testu KPSS.<\/span><\/p>\n Oznacza to, \u017ce mo\u017cemy za\u0142o\u017cy\u0107, \u017ce szereg czasowy ma trend stacjonarny.<\/span><\/p>\n Uwaga 1<\/strong> : Warto\u015b\u0107 p jest w rzeczywisto\u015bci nadal wi\u0119ksza ni\u017c 0,1, ale najni\u017csza warto\u015b\u0107, jak\u0105 wygeneruje funkcja kpss() to 0,1.<\/span><\/p>\n Uwaga 2<\/strong> : Nale\u017cy u\u017cy\u0107 argumentu regression=’ct’<\/strong> , aby okre\u015bli\u0107, \u017ce hipoteza zerowa testu zak\u0142ada, \u017ce dane maj\u0105 trend stacjonarny.<\/span><\/p>\n Najpierw utw\u00f3rzmy fa\u0142szywe dane w Pythonie, z kt\u00f3rymi b\u0119dziemy mogli pracowa\u0107:<\/span> <\/p>\n Ponownie mo\u017cemy u\u017cy\u0107 funkcji kpss()<\/strong> z pakietu statsmodels<\/b> , aby przeprowadzi\u0107 test KPSS na danych szereg\u00f3w czasowych:<\/span><\/p>\n Oto jak zinterpretowa\u0107 wynik:<\/span><\/p>\n Warto\u015b\u0107 p wynosi 0,0458<\/strong> . Warto\u015b\u0107 ta jest mniejsza ni\u017c 0,05, wi\u0119c odrzucamy hipotez\u0119 zerow\u0105 testu KPSS.<\/span><\/p>\n Oznacza to, \u017ce szereg czasowy nie jest<\/em> stacjonarny.<\/span><\/p>\n Uwaga<\/strong> : Pe\u0142n\u0105 dokumentacj\u0119 funkcji kpss() mo\u017cna znale\u017a\u0107 w pakiecie statsmodels tutaj<\/a> .<\/span><\/p>\n Poni\u017csze samouczki zawieraj\u0105 dodatkowe informacje na temat pracy z danymi szereg\u00f3w czasowych w j\u0119zyku Python:<\/span><\/p>\n Jak wykona\u0107 rozszerzony test Dickeya-Fullera w Pythonie<\/a> Test KPSS mo\u017cna zastosowa\u0107 do ustalenia, czy szereg czasowy ma trend stacjonarny. W te\u015bcie tym wykorzystuje si\u0119 nast\u0119puj\u0105c\u0105 hipotez\u0119 zerow\u0105 i alternatywn\u0105: H 0 : Szereg czasowy ma trend stacjonarny. H A : Szereg czasowy nie ma trendu stacjonarnego. Je\u017celi warto\u015b\u0107 p testu jest poni\u017cej pewnego poziomu istotno\u015bci (np. \u03b1 = 0,05), w\u00f3wczas odrzucamy hipotez\u0119 […]<\/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-2662","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
Przyk\u0142ad 1: Test KPSS w Pythonie (z danymi stacjonarnymi)<\/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
Przyk\u0142ad 2: Test KPSS w Pythonie (z danymi niestacjonarnymi)<\/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
Dodatkowe zasoby<\/strong><\/span>
<\/span><\/h3>\n
Jak wykona\u0107 test trendu Manna-Kendalla w Pythonie<\/a>
Jak wykre\u015bli\u0107 szereg czasowy w Matplotlib<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"