时间序列 —— Ljung-Box test

最新推荐文章于 2024-08-15 15:27:26 发布
最新推荐文章于 2024-08-15 15:27:26 发布
阅读量2.1w 收藏 45
点赞数 10
文章标签： 时间序列
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/weixin_38296925/article/details/102866158
版权

 

 

 

1. 当p-value<0.05（一般都用1%, 5%, 10%）, 拒绝原假设H0，结果显著，序列相关；当p-value>0.05，接受原假设H0，结果不显著，序列不相关，认为是白噪序列。

2. 如何判定滞后lag——m值？ 根据https://robjhyndman.com/hyndsight/ljung-box-test/：we recommended using h=10 for non-seasonal data and h=2m for seasonal data, where m is the period of seasonality.（这句话里的h就是我公示的m，而这句话里的m是季节模型的s）。也就是说当数据没有季节性，那么我们lag就取10 【Box.test(data,lag=10)】，当数据有季节性，那么lag就取period的2倍

weixin_38296925
关注
LjungBox (Q): 37.92 JarqueBera (JB):
程序员光剑
08-22 1209
作者：禅与计算机程序设计艺术 1.简介 Ljung-Box test（又称偏自相关系数检验）及Jarque-Bera test（又称峰度和偏度检验）是用于检验序列是否符合正太分布的统计方法。两者都是用统计学的方法对样本数据进行诊断，但具体测试结果不同。Jarque-Bera test 常用于检验一个随机
金融时间序列-非线性检验-Ljung-Box test
热门推荐
yaochuyi的博客
05-14 8万+
1 非参数检验 1 平方残差的Q统计量（Ljung-Box Q 统计量） Ljung-Box test是对randomness的检验,或者说是对时间序列是否存在滞后相关的一种统计检验。 纯随机性检验，p值小于5%,序列为非白噪声 用于检验某个时间段内的一系列观测值是不是随机的独立观测值。如果观测值并非彼此独立，一个观测值可能会在 k 个时间单位后与另一个观测值相关，形成一种称为自相关的关系...
python生成白噪声与纯随机检验——Ljung-Box检验
呆萌的代Ma
12-07 1万+
生成白噪声 import numpy as np def generate_white_noise(signal: np.ndarray, snr=10): """生成白噪声""" noise = np.random.randn(signal.shape[0], signal.shape[1]) # 产生N(0,1)噪声数据 noise = noise - np.mean(noise) # 均值为0 signal_power = np.linalg.norm(sign
时间序列分析详解
最新发布
m0_47498690的博客
08-15 1109
简单平均法简单平均法就是预测的值为之前过去所有值的平均.当然这不会很准确，但这种预测方法在某些情况下效果是最好的。移动平均法我们经常会遇到这种数据集，比如价格或销售额某段时间大幅上升或下降。如果我们这时用之前的简单平均法，就得使用所有先前数据的平均值，但在这里使用之前的所有数据是说不通的，因为用开始阶段的价格值会大幅影响接下来日期的预测值。因此，我们只取最近几个时期的价格平均值。很明显这里的逻辑是只有最近的值最要紧。这种用某些窗口期计算平均值的预测方法就叫移动平均法。指数平滑法。
时间序列平稳性检验（ADF）和白噪声检验（Ljung-Box）
立志成为炼丹师？
02-09 3万+
在对时间序列做预测前，我们要对数据进行一系列检验，主要是检验数据的稳定性和随机性（白噪声检验），本文主要介绍ADF检验和Ljung-Box检验 ADF检验 ADF检验即单位根检验是指检验序列中是否存在单位根，因为存在单位根就是非平稳时间序列了。单位根就是指单位根过程，可以证明，序列中存在单位根过程就不平稳，会使回归分析中存在伪回归。 下面给出ADF检验的python代码 from statsmodels.tsa.stattools import adfuller import pandas as pd .
Multivariate Portmanteau (Ljung-Box) Test：测试多元向量序列中是否存在自相关和互相关-matlab开发
05-29
MLBQTEST(X,LAGS) 执行多变量 Portmanteau 检验。 h = mlbqtest(X,LAGS) 返回 LAGS 的逻辑值 (h)，拒绝决定来自对多元系列 X 中的联合互相关进行多元 Portmanteau 检验。 h = mlbqtest(X,LAGS,ALPHA) 指定显着性水平（默认值 = 0.05）。 [h,pValue] = mlbqtest(~) 返回假设检验的拒绝决定和 p 值。 [h,pValue,stat,cValue] = mlbqtest(~) 还返回假设检验的检验统计量 (stat) 和临界值 (cValue)。 输入参数 X：具有 k 个资产和 T 次的多元时间序列 (T xk)。 检验原假设 H0：所有相关系数为零，即。 rho_1=rho_2=...rho_m=0，其中 m 滞后备择假设H1：有一些系数不为零。
时间序列学习（5）：ARMA模型定阶（AIC、BIC准则、Ljung-Box检验）
lucialucia的博客
09-05 6万+
时间序列学习（5）：ARMA模型定阶（AIC、BIC准则、Ljung-Box检验）1、信息量准则2、寻找对数收益率序列的最佳阶数3、构建模型4、模型评估 第3篇笔记给出了一个较为复杂的模型ARMA，它是AR和MA模型的组合。 如果要用ARMA模型对时间序列进行建模，那么首先得确定模型的AR和MA两部分的阶数(p,q)(p,q)(p,q)；确定好阶数后，我们就可以通过回归或者简单的最小二乘法来进一步确定模型的参数。 所以，首先我们得确定模型的阶数。 确定阶数其实可以直接从前面介绍的相关图中通过“截尾”及“拖尾
如何调取其中的Ljung-Box检验（也称为LB检验）和Q检验都是用于检验时间序列模型的残差序列是否具有自相关性的常用方法。它们的主要区别在于： 检验的统计量不同：Ljung-Box检验的统计量是Q统计量，而Q检验的统计量是Ljung-Box统计量。 滞后阶数的确定方式不同：Ljung-Box检验需要指定滞后阶数q，而Q检验则是由程序自动确定滞后阶数。 在实际应用中，通常先进行Ljung-Box检验，检验残差序列在不同滞后阶数下是否存在显著的自相关性。如果检验结果表明存在自相关性，则再进行Q检验，确定具体的滞后阶数。一般来说，如果Ljung-Box检验的p值小于0.05，则认为存在自相关性;而Q检验的p值小于0.05，也可以认为存在自相关性。 总的来说，Ljung-Box检验和Q检验都是常用的检验时间序列模型残差序列自相关性的方法，它们的主要区别在于检验的统计量和滞后阶数的确定方式。在实际应用中，可以根据具体情况选择合适的检验方法。
06-10
在这个示例代码中，我们首先使用rnorm函数生成一个长度为200的标准正态分布随机数向量eps，然后通过AR(1)模型生成一个长度为200的时间序列y。接着，我们使用ugarchfit函数拟合一个GARCH(1,1)模型，将其结果保存在fit...
Python Statsmodels的时间序列Ljung_Box检验
DuanYuan0708的博客
08-23 7797
Ljung-Box检验即LB检验，是时间序列分析中检验序列自相关性的方法。LB检验的Q统计量为： 用来检验m阶滞后范围内序列的自相关性是否显著，或序列是否为白噪声，Q统计量服从自由度为m的卡方分布。 LB检验可同时用于时间序列以及时序模型的残差是否存在自相关性（是否为白噪声）。Python的statsmodels包提供了该检验的函数： from stats...
Ljung-Box q 统计量
zyy160alex5的专栏
08-12 2万+
用于检验某个时间段内的一系列观测值是不是随机的独立观测值。如果观测值并非彼此独立，一个观测值可能会在 k 个时间单位后与另一个观测值相关，形成一种称为自相关的关系。自相关可以削减基于时间的预测模型（例如时间序列图）的准确性，并导致数据的错误解释。 例如，一家电子公司对电池的月销售量跟踪记录五年。他们想使用这些数据来设计一个时间序列模型以帮助预测未来的销售。但是，月销售额可能会受到季节趋势的影响。
白噪声检验记录
陈陈的专栏
05-06 2万+
数据进行中心化acf自相关图(ACF除了lag＝0外，是否都很小就是白噪声,平均而言，仅能有5％的相关系数线超过虚线，如果有更多，那么我们的分析或者说结果是有疑问的)。参考网址：acf(dataVec, main = "acf") 从图中，有很多大于了0.05，说明序列见存在相关性，不是白噪声。Ljung-Box q 统计量 纯随机性检验,p值小于5%,序列为非白噪声 用于检验某个时间段内的一系列
应用时间序列分析——有季节效应的非平稳序列分析-R语言
weixin_57105906的博客
10-26 1万+
应用时间序列分析——有季节效应的非平稳序列分析
机器学习（11）——时间序列分析
WHJ226的博客
06-26 1万+
时间序列数据是常见的数据类型之一,时间序列分析基于随机过程理论和数理统计学方法,研 究时间序列数据所遵从的统计规律,常用于系统描述、系统分析、预测未来等。 时间序列数据主要是根据时间先后,对同样的对象按照等时间间隔收集的数据,比如每日的平 均气温、每天的销售额、每月的降水量等。虽然有些序列所描述的内容取值是连续的,比如气温的 变化可能是连续的,但是由于观察的时间段并不是连续的,所以可以认为是离散的时间序列数据。 一般地,对任何变量做定期记录就能构成一个时间序列。根据所研究序列数量的不同,可以将时间 序列数据
时间序列分析 - ARMA/ARIMA参数估计及模型预测
fish的专栏
03-13 3万+
整体处理流程如下： 【平稳化处理】 根据ADF单位根检验看序列是否平稳，对于非平稳序列可以进行差分，对数等等。 对于得到的平稳序列需要检测是否为白噪声，如果是就没有必要再分析了。 【白噪声检验】 1）由于白噪声序列期望为0，方差固定。因此会在y＝0上下小幅波动，比如： 2...
python实现时间序列预处理
pengxiang1998的博客
10-26 3013
纯随机性检验，一般是构造检验统计量来检验序列的纯随机性，常用的检验统计量有Q统计量、LB统计量，由样本各延迟期数的自相关系数可以计算得到检验统计量，然后计算出对应的p值，如果p值显著大于显著性水平a，则表示该序列不能拒绝纯随机的原假设，可以停止对该序列的分析。如果一个序列是纯随机序列，那么它的序列值之间应该没有任何关系，即满足y(k) = 0, k ≠ 0，这是一种理论上才会出现的理想状态，实际上纯随机序列的样本自相关系数不会绝对为零，但是很接近零，并在零附近随机波动。拿到一个观察值序列后，首先要对它的。
时间序列分析的基本流程（R语言版——实验篇）
m0_56902859的博客
12-05 5430
1.导入数据（.csv） 2.对数据切片获取 3.把一行变一列数据 4. 将数据做成时间序列ts 数据处理已经完成，下面进行时序分析 1.画时序图（初步直观感受时间序列的特性） 看平稳性和白噪声（直观不科学）非平稳性：有周期性和趋势性如果存在周期性，那么图像就会有周期性波动，趋势性：就是有单调性趋势2. 数据说话：ADF单位根法进行平稳性检验 结果：Augmented Dickey-Fuller Test alternative: stationary Type 1: no
R语言检验时间序列中是否存在自相关性：使用box.test函数执行Ljung-Box检验验证时间序列中是否存在自相关性（Ljung-Box检验对小样本数据更可靠）
statistics+insight+vista+power
11-07 1252
R语言检验时间序列中是否存在自相关性：使用box.test函数执行Ljung-Box检验验证时间序列中是否存在自相关性（Ljung-Box检验对小样本数据更可靠）
判断白噪声时间序列:ACF和Box.test()
南瓜派三蔬
03-28 2万+
整理自 Forecast：Principles And Practice——chapter 2.9。 一、自相关系数简述 自相关系数就是原始时间序列中第t个数据和第t-k的序列的相关系数。亦即y[t]和y[t-k]两个序列之间的相关系数。 二、根据ACF判断白噪声 上图为一个白噪声时间序列的数据，考察它的各自相关系数（ACF），如下图所示： 其中的每个竖线代表自相关系数的值。对于一个长度为T...
时间序列分析这件小事（三）--自回归的假设检验
lyx的专栏
12-02 1万+
无意中发现了一个巨牛的人工智能教程，忍不住分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，所以分享给大家。教程链接：https://www.cbedai.net/qtlyx 和线性回归一样，我们对参数是要做检验的。不是回归出了什么方程，什么系数我们就认了。如果回归学的好的话，我们还会记得，在多元归中，我们有一个F检验，用来检验是否所有因子前面...
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