标签：显著性 假设 模型 ARIMA 检验 实践 序列 数据 统计

Arima模型见这篇文章 https://blog.csdn.net/zhongzhi_huyang/article/details/123265759

相关知识：

使用python实现时间序列白噪声检验方式

白噪声检验也称为纯随机性检验， 当数据是纯随机数据时，再对数据进行分析就没有任何意义了， 所以拿到数据后最好对数据进行一个纯随机性检验

acorr_ljungbox(x, lags=None, boxpierce=False) # 数据的纯随机性检验函数

 

lags为延迟期数，如果为整数，则是包含在内的延迟期数，如果是一个列表或数组，那么所有时滞都包含在列表中最大的时滞中

boxpierce为True时表示除开返回LB统计量还会返回Box和Pierce的Q统计量

返回值：

lbvalue:测试的统计量

pvalue:基于卡方分布的p统计量

bpvalue:((optionsal), float or array) – 基于 Box-Pierce 的检验的p统计量

bppvalue:((optional), float or array) – 基于卡方分布下的Box-Pierce检验的p统计量

代码实现：

from statsmodels.stats.diagnostic import acorr_ljungbox
acorr_ljungbox(b.salesVolume, lags = [6, 12],boxpierce=True)

由输出结果可以看到，不管是使用哪个统计量，p值都很大，所以该数据无法拒绝原假设，即认为该数据是纯随机数据

 

补充知识：用python实现时间序列单位根检验

在时间序列的建模中，需要先对数据进行平稳性检验，常用的有DF检验、ADF检验和PP检验，文章实例ADF检验

注：检验的P值是只在一个假设检验问题中，利用样本观测值能够作出拒绝原假设的最小显著性水平。

如果a >= p, 则在显著性水平a 下拒绝H0

如果a < p,则在显著性水平a下接受H0

实现方法一：

from arch.unitroot import ADF
ADF(data)

ADF检验的原假设是不平稳，这里P值近似为0 ， 所以拒绝原假设，认为序列平稳。

from statsmodels.stats.diagnostic import unitroot_adf
unitroot_adf(b.salesVolume)

这里包含了检验值、p-value、滞后阶数、自由度等信息。我们看到了检验统计量为–5.954367776923936，小于1%的临界值-4.01203360058309,，即p值远小于0.01，因此我们拒绝原假设，认为该时间序列是平稳的。（这里原假设是存在单位根，即时间序列为非平稳的。)

以上这篇使用python实现时间序列白噪声检验方式就是小编分享给大家的全部内容了，希望能给大家一个参考。

 

 

 

标签：显著性,假设,模型,ARIMA,检验,实践,序列,数据,统计
来源： https://www.cnblogs.com/end/p/16387191.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。