白噪聲檢驗(yàn)也稱為純隨機(jī)性檢驗(yàn)， 當(dāng)數(shù)據(jù)是純隨機(jī)數(shù)據(jù)時，再對數(shù)據(jù)進(jìn)行分析就沒有任何意義了， 所以拿到數(shù)據(jù)后最好對數(shù)據(jù)進(jìn)行一個純隨機(jī)性檢驗(yàn)

acorr_ljungbox(x, lags=None, boxpierce=False) # 數(shù)據(jù)的純隨機(jī)性檢驗(yàn)函數(shù)

lags為延遲期數(shù)，如果為整數(shù)，則是包含在內(nèi)的延遲期數(shù)，如果是一個列表或數(shù)組，那么所有時滯都包含在列表中最大的時滯中

boxpierce為True時表示除開返回LB統(tǒng)計(jì)量還會返回Box和Pierce的Q統(tǒng)計(jì)量

返回值：

lbvalue:測試的統(tǒng)計(jì)量

pvalue:基于卡方分布的p統(tǒng)計(jì)量

bpvalue:((optionsal), float or array) – 基于 Box-Pierce 的檢驗(yàn)的p統(tǒng)計(jì)量

bppvalue:((optional), float or array) – 基于卡方分布下的Box-Pierce檢驗(yàn)的p統(tǒng)計(jì)量

代碼實(shí)現(xiàn)：

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

由輸出結(jié)果可以看到，不管是使用哪個統(tǒng)計(jì)量，p值都很大，所以該數(shù)據(jù)無法拒絕原假設(shè)，即認(rèn)為該數(shù)據(jù)是純隨機(jī)數(shù)據(jù)

補(bǔ)充知識：用python實(shí)現(xiàn)時間序列單位根檢驗(yàn)

在時間序列的建模中，需要先對數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗(yàn)，常用的有DF檢驗(yàn)、ADF檢驗(yàn)和PP檢驗(yàn)，文章實(shí)例ADF檢驗(yàn)

注：檢驗(yàn)的P值是只在一個假設(shè)檢驗(yàn)問題中，利用樣本觀測值能夠作出拒絕原假設(shè)的最小顯著性水平。

如果a >= p, 則在顯著性水平a 下拒絕H0

如果a < p,則在顯著性水平a下接受H0

實(shí)現(xiàn)方法一：

from arch.unitroot import ADF
ADF(data)

ADF檢驗(yàn)的原假設(shè)是不平穩(wěn)，這里P值近似為0 ， 所以拒絕原假設(shè)，認(rèn)為序列平穩(wěn)。

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

這里包含了檢驗(yàn)值、p-value、滯后階數(shù)、自由度等信息。我們看到了檢驗(yàn)統(tǒng)計(jì)量為–5.954367776923936，小于1%的臨界值-4.01203360058309,，即p值遠(yuǎn)小于0.01，因此我們拒絕原假設(shè)，認(rèn)為該時間序列是平穩(wěn)的。（這里原假設(shè)是存在單位根，即時間序列為非平穩(wěn)的。)

以上這篇使用python實(shí)現(xiàn)時間序列白噪聲檢驗(yàn)方式就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論