【数据挖掘】时序模式-白噪音-时序图-ADF检验-一阶差分-acf && pacf（2021-11-11

最新推荐文章于 2024-08-28 04:25:12 发布
最新推荐文章于 2024-08-28 04:25:12 发布
阅读量7.2k 收藏 31
点赞数
分类专栏： BNUZ 文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/CeciliaXinn/article/details/121275772
版权
这篇博客介绍了时序模式分析，包括纯随机序列的生成、白噪音检测、时序图、ADF检验、一阶差分、自相关图和偏自相关图的查看。通过Python生成数据并进行分析，讨论了随机序列在不同数据量下是否保持平稳，以及如何判断序列的平稳性，并探讨了平稳序列和1、2阶平稳序列的特性。
摘要由CSDN通过智能技术生成

时序模式

2、 根据课堂上所讲的概念，编写程序产生以下时间序列数据（时间可以简化用1,2,3. . . . .表示），每种类型数据至少20条数据。并根据自己想法，使用程序画出相应的图。

一、 纯随机序列

1、生成随机数据

通过random生成list后将list转化为DataFrame形式

image-20211111184649417
2、白噪音检测查看是否为随机序列
image-20211111194201897 image-20211111194141404 image-20211111194832708

这里可以看到p值为0.47690937，可以认为是一个随机序列

原假设：是随机的，即改序列为白噪声序列。

  • p值大，接受原假设；
  • p值小，拒绝原假设。

分割线：0.05。 0.05置信区间以下，可以认为出现显著的自回归关系ÿ

最低0.47元/天 解锁文章
chisaaa
关注
专栏目录
matlab_box-jenkin的模糊模型
06-08
可以使用ADF（Augmented Dickey-Fuller）检验来确定是否需要进行差分。 2. 选择模型阶数：通过观察自相关函数（ACF）和偏自相关函数（PACF）图，可以帮助我们确定AR和MA的阶数p和q。ACF显示了当前值与过去值之间的...
机器学习——时间序列ARIMA模型(一)：差分法详解
AI~天海的博客
05-01 1万+
机器学习——时间序列ARIMA模型(一)：差分法详解 一、所需数据的性质 平稳性 样本数据需随着时间序列而发生变化，且序列的均值和方差不发生明显变化。 预测出在未来的一段期间内数据顺着现有的“惯性”延续下去 现实案例如：股价预测，人口增长率预测 严平稳与弱平稳 严平稳：分布不随时间的改变而改变(期望为0，方差为1) 弱平稳：期望与依赖性不变(未来的值依赖于过去的值) 二、差分法 例如我们现在有一组数据，其随着时间的变化而呈现如下图趋势变化。 那么我们需要将此数据的方差变小，即让此曲线能够更平稳，进而使用我
一阶差分（First Difference）
ScapeD的博客
12-11 2万+
时间序列的处理方法： 对相邻时期做差分所构成的对时间序列的转换，即用后一时期减去前一时期。
一阶差分时间序列分析：原理、应用与实例
最新发布
智能科技前沿
08-28 495
一阶差分是指对于时间序列 ( X_t )，计算相邻两个时间点之间的差值，得到一个新的序列 ( \Delta X_t )：其中，( X_t ) 是时间点 ( t ) 的观测值，( X_{t-1} ) 是前一时间点 ( t-1 ) 的观测值。一阶差分是时间序列分析中重要的预处理步骤，尤其在处理趋势明显的非平稳序列时，通过差分可以得到一个更加适合建模分析的平稳序列。如果你有具体的时间序列数据需要分析，我可以进一步帮助你进行实际的计算和模型应用。
一阶差分单位根检验_论文之路3：单位根检验ADF
weixin_39635657的博客
12-24 1万+
国庆假期呆瓜居然还瘦了几斤，虽然吃吃喝喝不少，但大部分都没吃饱，真羡慕那些假期还能长肉的！！假期里，呆瓜在论文上的进展几乎没有，不是没有时间，而是呆瓜偷懒去思考一些其他的问题和问题的描述/定义。呆瓜对EMD分解有了一个初步的学习了解后，按计划接下来要学习VAR模型。在刚刚学习VAR模型时，呆瓜了解要使用VAR模型，首先要检验时间序列是否平稳，如果平稳则可以建立VAR模型，如果不平稳，那么...
ACF/PACF，残差白噪声的检验问题
weixin_30758821的博客
12-26 9899
关于自相关、偏自相关： 一、自协方差和自相关系数 p阶自回归AR(p) 自协方差 r(t,s)=E[X(t)-EX(t)][X(s)-EX(s)] 自相关系数ACF=r(s,t)/[(DX(t).DX(s))^0.5] 二、平稳时间序列自协方差与自相关系数 1、平稳时间序列可以定义r(k)为时间序列的延迟k自协...
时间序列分析之ADF检验
xu624735206的博客
12-07 3万+
时间序列分析之ADF检验一、ADF检验二、单位根三、ADF检验的原理四、ADF检验的python实现1.引入库2.函数说明五、时间序列分析1.使用IH2112股指期货数据为例2.使用IH2112股指期货数据为例3. 将数据进行一阶差分滞后 一、ADF检验 在使用很多时间序列模型的时候，如 ARMA、ARIMA，都会要求时间序列是平稳的，所以一般在研究一段时间序列的时候，第一步都需要进行平稳性检验，除了用肉眼检测的方法，另外比较常用的严格的统计检验方法就是ADF检验，也叫做单位根检验。 ADF检验全称是 A
时间序列分析结课论文-平安银行股市收盘价的时序模型研究
07-25
通过对差分后的数据进行自相关函数（ACF）和偏自相关函数（PACF）的分析，可以确定AR和MA模型的最佳参数。文中通过热力图展示了不同参数组合下的AIC值，最终选择了AR=5, MA=5作为最优参数进行模型训练。 #### 五、...
精品（2021-2022年）资料试验一异方差的检验与修正时间序列分析.doc
09-27
在案例中，通过对一阶差分序列进行ADF检验，确认了d=1，即需要一次差分使序列变为平稳。然后，通过ACF和PACF图来识别p和q的值，这些值将决定ARIMA模型的具体形式，例如ARIMA(p,d,q)。 模型识别后，会使用最小二乘法...
精品资料（2021-2022年收藏的）试验一异方差的检验与修正时间序列分析.doc
11-15
2. 判断序列的平稳性：通过时序图观察数据的趋势，然后计算ACF和PACF，以确定是否需要进行差分。 3. 对数处理：如果序列有明显的趋势，可以先进行对数转换以减少波动。 4. 差分：根据ACF和PACF的特性，确定差分次数...
Sarima时序预测PDF&Markdown.zip
05-29
1. 数据探索：首先检查时间序列数据的平稳性，通过绘制时间序列图、计算ADF（Augmented Dickey-Fuller）检验等方法判断是否需要进行差分。 2. 季节性检测：通过季节性差异或季节性单位根检验确定数据是否存在季节性...
如何根据自相关（ACF）图和偏自相关（PACF）图选择ARIMA模型的p、q值
热门推荐
小白的编码屋
09-30 13万+
这两天有朋友在之前????这篇文章 ????里面评论询问如何通过自相关（ACF）和偏自相关（PACF）图找到p、q值？下面掌柜就详细阐述一下。 PS：这里假设你已经知道AR、MA、以及ARIMA模型是什么。 首先，使用ARIMA模型拟合一组（非季节性）时间序列数据时，一般的流程如下图（掌柜网上找的，侵权可删）： 由第4步，我们可以知道差分数据的自相关（ACF）和偏自相关（PACF）图是用来确定所有候选模型的。 其次，该如何用ACF和PACF图找所有可能的候选模型呢？ 这里可能的候选模型有MA模型和
时间序列分析
qq_41542141的博客
09-30 1502
时间序列分析在于检验不同时间的样本分布，这里不同时间是以时滞k来说明， 一：相同时间的样本分布 简单的时间序列比如当k=0时，cov(Yt1,Yt1)cov(Y_{t_1},Y_{t_1})cov(Yt1​​,Yt1​​)是为等于方差，所以相同分布，协方差就等于方差，相关系数为1， ...
【机器学习】时间序列 ACF 和 PACF 理解、代码、可视化
fengdu78的博客
02-14 1万+
我们说时间序列可以被预测，主要基于以下事实：我们可以部分掌握影响该时间序列的因素的变化情况。换句话说，对时间序列进行预测，其实就是利用各种理论和工具，对观察到的时间序列进行“抽丝剥茧”，以试图掌握其变化的本质，从而对未来的表现进行预测。而自相关性是时序预测的基础，对于时序的平稳性、白噪声检测、确定 模型中的阶数（p/q）有着重要的作用。本篇将着重介绍自相关的概念 和 。ACF 自相关函数概念理...
时间序列ARIMA
友培的博客
02-18 2714
文章目录ARIMA验证平稳性差分ARMAARMAACF(自相关函数)PACF(偏自相关函数)综合考虑理清思路 ARIMA 传送门：https://www.bilibili.com/video/BV1dT4y1V7qW?p=3&share_source=copy_web 验证平稳性 要求我们用其时间特性的时候，就得需要该样本数据的均值和方差不发生明显的变化，就是按照现有的形状拟合延续 严平稳：数据的分布不随时间的改变而改变 弱平稳：未来某个时刻的数值依赖于过去的信息，有其依赖性 差分 时间序列t时刻与
时序数据学习笔记（四）
HughYue1990的博客
09-16 1144
时序数据预测MA模型测试学习笔记
Eviews简记——时间序列建模
积一时之步，臻千里之遥程
08-15 2万+
最近写论文建模时，需要用到eviews软件。 以前学过，但是基本忘了，前来做个记录。 创建工作文件 在命令输入窗口键入命令 Create 时间频率类型 起始期 终止期 例如 创建一个1990年到2004年的时间数据工作文件，则需键入命令： CREATE A 1990 2004 创建一个1990年1月到2004年12月的时间数据工作文件，则需键入 命令： CREATE M 1990：1 2004：12 序列的创建 Series 序列名 Series 序列名1 序列名2 序列名3 genr 序列名 =
时间序列-相关性-ACF PACF CCF
try_trying_try的博客
05-17 3422
①当时间间隔为0的时候，相关系数为1，很显然，每个点和自己都是完全相关的。当时间间隔大于1，相关系数便只是在0附近波动，说明不同时间点的单日收益相关性不大。当序列为高阶时，存在滞后相关性，于是可以使用更适用的ADF检验。不过大致上，我们可以认为沪深300的单日收益和其它交易日关联度不大。描述了一个观测值和另一个观测值之间的自相关，包括直接和间接的相关性信息。图中有个别间隔的序列相关系数超过置信区间，说明子序列还。时间轴上的曲线图，是给定时间段以及每个时间点的随机变量得到。If波动，波动幅度也是固定的。
应用时间序列分析--基于Eviews软件
weixin_34280060的博客
02-25 3万+
第一章 时间序列的预处理 一、平稳性检验 时序图检验和自相关图检验 （一）时序图检验 根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的范围有界、无明显趋势及周期特征 例2.1：检验1964年——1999年中国纱年产量序列的平稳性 1.在Eviews软件中打开案例数据 图1：打开外来数据 图2：打开数据文件夹中案例数据文件夹中数据 文件中序列的名称可以在打开的时候输入，或者在打开的数据中输入 图3：打开过程中给序列命名 图4：打开数据 2
利用python 对一组csv数据处理（数据样例为time price1 price2 ），画出时序图，进行平稳性检验和纯随机性检验，画出自相关图，
06-02
好的，首先你需要安装一些Python库来处理数据和绘图，包括pandas、matplotlib、statsmodels等。你可以使用以下命令安装它们： ```python pip install pandas matplotlib statsmodels ``` 然后，你可以使用以下代码来读取CSV文件并绘制时序图： ```python import pandas as pd import matplotlib.pyplot as plt # 读取CSV文件 data = pd.read_csv('data.csv') # 绘制时序图 plt.plot(data['time'], data['price1']) plt.plot(data['time'], data['price2']) plt.legend(['price1', 'price2']) plt.xlabel('Time') plt.ylabel('Price') plt.show() ``` 接下来，你可以使用Augmented Dickey-Fuller (ADF)检验来检验数据的平稳性： ```python from statsmodels.tsa.stattools import adfuller # 进行ADF检验 result = adfuller(data['price1']) print('ADF Statistic: %f' % result[0]) print('p-value: %f' % result[1]) print('Critical Values:') for key, value in result[4].items(): print('\t%s: %.3f' % (key, value)) ``` 最后，你可以使用自相关图和偏自相关图来检查数据的纯随机性： ```python from statsmodels.graphics.tsaplots import plot_acf, plot_pacf # 绘制自相关图和偏自相关图 fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10,8)) plot_acf(data['price1'], ax=ax1, lags=50) plot_pacf(data['price1'], ax=ax2, lags=50) plt.show() ``` 这些代码应该可以帮助你完成你的任务。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值