การทดสอบ augmented dickey-fuller ใน python (พร้อมตัวอย่าง)

อนุกรมเวลาจะเรียกว่า “คงที่” หากไม่มีแนวโน้ม นำเสนอความแปรปรวนคงที่ตลอดเวลา และมีโครงสร้างความสัมพันธ์อัตโนมัติที่คงที่ตลอดเวลา

วิธีหนึ่งในการทดสอบว่าอนุกรมเวลาคงที่หรือไม่คือทำการ ทดสอบ Augmented Dickey–Fuller ซึ่งใช้สมมติฐานว่างและสมมุติฐานทางเลือกต่อไปนี้

H ₀ : อนุกรมเวลาไม่คงที่ กล่าวอีกนัยหนึ่ง โครงสร้างของมันขึ้นอยู่กับเวลา และการแปรผันของมันไม่คงที่เมื่อเวลาผ่านไป

H _A : อนุกรมเวลาหยุดนิ่ง

หาก ค่า p ของการทดสอบต่ำกว่าระดับนัยสำคัญที่กำหนด (เช่น α = 0.05) เราก็สามารถปฏิเสธสมมติฐานว่างและสรุปได้ว่าอนุกรมเวลาเป็นแบบคงที่

ตัวอย่างทีละขั้นตอนต่อไปนี้แสดงวิธีดำเนินการทดสอบ Augmented Dickey-Fuller ใน Python สำหรับอนุกรมเวลาที่กำหนด

ตัวอย่าง: การทดสอบ Augmented Dickey-Fuller ใน Python

สมมติว่าเรามีข้อมูลอนุกรมเวลาต่อไปนี้ใน Python:

 data = [3, 4, 4, 5, 6, 7, 6, 6, 7, 8, 9, 12, 10]

ก่อนที่จะทำการทดสอบ Augmented Dickey-Fuller กับข้อมูล เราสามารถสร้างพล็อตด่วนเพื่อแสดงภาพข้อมูลได้:

 import matplotlib. pyplot as plt

plt. plot (data) 

ในการทำการทดสอบ Augmented Dickey-Fuller เราสามารถใช้ฟังก์ชัน adfuller() จากไลบรารี statsmodels ก่อนอื่น เราต้องติดตั้ง statsmodels:

 pip install statsmodels

จากนั้นเราสามารถใช้โค้ดต่อไปนี้เพื่อทำการทดสอบ Augmented Dickey-Fuller:

 from statsmodels. tsa . stattools import adfuller

#perform augmented Dickey-Fuller test
adfuller(data)

(-0.9753836234744063,
 0.7621363564361013,
 0,
 12,
 {'1%': -4.137829282407408,
  '5%': -3.1549724074074077,
  '10%': -2.7144769444444443},
 31.2466098872313)

ต่อไปนี้เป็นวิธีตีความค่าที่สำคัญที่สุดของผลลัพธ์:

• สถิติการทดสอบ: -0.97538
• ค่า P: 0.7621

เนื่องจากค่า p ไม่น้อยกว่า 0.05 เราจึงไม่สามารถปฏิเสธสมมติฐานว่างได้

ซึ่งหมายความว่าอนุกรมเวลาไม่คงที่ กล่าวอีกนัยหนึ่ง โครงสร้างของมันขึ้นอยู่กับเวลา และการแปรผันของมันไม่คงที่เมื่อเวลาผ่านไป

แหล่งข้อมูลเพิ่มเติม

วิธีพล็อตอนุกรมเวลาใน Matplotlib
วิธีพล็อตหลายซีรีย์จาก Pandas DataFrame
วิธีดำเนินการทดสอบแนวโน้ม Mann-Kendall ใน Python