<\/p>\n
O teste de causalidade de Granger<\/strong> \u00e9 usado para determinar se uma s\u00e9rie temporal \u00e9 ou n\u00e3o \u00fatil para prever outra.<\/span><\/p>\n Este teste usa as seguintes hip\u00f3teses nulas e alternativas:<\/span><\/p>\n Hip\u00f3tese nula (H 0<\/sub> ):<\/strong> a s\u00e9rie temporal x<\/em> n\u00e3o causa a s\u00e9rie temporal y<\/em> para Granger<\/span><\/p>\n Hip\u00f3tese alternativa ( HA<\/sub> ):<\/strong> S\u00e9rie temporal x<\/em> S\u00e9rie temporal de Granger causa y<\/em><\/span><\/p>\n O termo “causas de Granger” significa que conhecer o valor da s\u00e9rie temporal x<\/em> com um certo atraso \u00e9 \u00fatil para prever o valor da s\u00e9rie temporal y<\/em> em um per\u00edodo posterior.<\/span><\/p>\n Este teste produz uma estat\u00edstica de teste F com um valor p<\/a> correspondente. Se o valor p estiver abaixo de<\/span> um certo n\u00edvel de signific\u00e2ncia (ou seja, \u03b1 = 0,05), ent\u00e3o podemos rejeitar a hip\u00f3tese nula e concluir que temos evid\u00eancias suficientes para afirmar que a s\u00e9rie temporal x<\/em> Granger causa a s\u00e9rie temporal y.<\/span><\/p>\n Podemos usar a fun\u00e7\u00e3o grangercausalitytests()<\/a> do pacote statsmodels para realizar um teste Granger-Causality em Python:<\/span><\/p>\n Observe que maxlag<\/strong> especifica o n\u00famero de defasagens a serem usadas na primeira s\u00e9rie temporal.<\/span><\/span><\/p>\n O exemplo passo a passo a seguir mostra como usar esta fun\u00e7\u00e3o na pr\u00e1tica.<\/span><\/p>\n Para este exemplo, usaremos um conjunto de dados contendo valores para o n\u00famero de ovos produzidos, bem como o n\u00famero de galinhas nos Estados Unidos de 1930 a 1983:<\/span><\/p>\n Relacionado:<\/strong><\/span> Como ler arquivos CSV com Pandas<\/a><\/p>\n A seguir, usaremos a fun\u00e7\u00e3o grangercausalitytests<\/strong> ()<\/strong> para realizar um teste de causalidade de Granger para ver se o n\u00famero de ovos produzidos \u00e9 preditivo do n\u00famero futuro de galinhas. Executaremos o teste usando tr\u00eas deslocamentos:<\/span><\/p>\n A estat\u00edstica do teste F \u00e9 5,405<\/strong> e o valor p correspondente \u00e9 0,0030<\/strong> .<\/span><\/p>\n Como o valor p \u00e9 inferior a 0,05, podemos rejeitar a hip\u00f3tese nula do teste e concluir que conhecer o n\u00famero de ovos \u00e9 \u00fatil para prever o n\u00famero futuro de galinhas.<\/span><\/p>\n Embora tenhamos rejeitado a hip\u00f3tese nula do teste, \u00e9 de fato poss\u00edvel que possa ocorrer um caso de causalidade reversa. Em outras palavras, \u00e9 poss\u00edvel que o n\u00famero de galinhas provoque uma altera\u00e7\u00e3o no n\u00famero de ovos.<\/span><\/p>\n Para descartar essa possibilidade, precisamos realizar o teste de Granger-Causalidade ao contr\u00e1rio, usando galinhas como vari\u00e1vel preditora e ovos como vari\u00e1vel resposta<\/a> :<\/span><\/p>\n A estat\u00edstica do teste F \u00e9 0,5916<\/strong> e o valor p correspondente \u00e9 0,6238<\/strong> .<\/span><\/p>\n Como o valor p n\u00e3o \u00e9 inferior a 0,05, n\u00e3o podemos rejeitar a hip\u00f3tese nula. Em outras palavras, o n\u00famero de galinhas n\u00e3o prev\u00ea o n\u00famero futuro de ovos.<\/span><\/p>\n Assim, podemos concluir que conhecer o n\u00famero de ovos \u00e9 \u00fatil para prever o n\u00famero futuro de galinhas.<\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras tarefas comuns com s\u00e9ries temporais em Python:<\/span><\/p>\n Como criar um gr\u00e1fico de s\u00e9rie temporal no Seaborn<\/a> O teste de causalidade de Granger \u00e9 usado para determinar se uma s\u00e9rie temporal \u00e9 ou n\u00e3o \u00fatil para prever outra. Este teste usa as seguintes hip\u00f3teses nulas e alternativas: Hip\u00f3tese nula (H 0 ): a s\u00e9rie temporal x n\u00e3o causa a s\u00e9rie temporal y para Granger Hip\u00f3tese alternativa ( HA ): S\u00e9rie temporal x […]<\/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-2471","post","type-post","status-publish","format-standard","hentry","category-guia"],"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 Etapa 1: carregar dados<\/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 Etapa 2: realizar o teste de causalidade de Granger<\/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 Etapa 3: realizar o teste de causalidade Granger ao contr\u00e1rio<\/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 Recursos adicionais<\/strong><\/span><\/h3>\n
Como criar um gr\u00e1fico de s\u00e9rie temporal no Matplotlib<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"