Stasjonaritet og differensiering
Forbered en serie for modellering.
Stasjonaritet og differensiering er en gratis leksjon i Data Science Academy på CoddyKit. Dette er leksjon 3 av 4. Du kan lese hele leksjonen gratis nedenfor – og deretter øve praktisk i nettleseren med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Data Science Academy, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Data Science Academy inneholder totalt 4 leksjoner.
Modeller liker stabile data
De fleste prognosemodeller antar at serien oppfører seg på samme måte over tid. Denne egenskapen har et navn: stasjonaritet. 🎯
Hva stasjonær betyr
En stasjonær serie har et stabilt gjennomsnitt og en stabil spredning som ikke driver over tid. Det statistiske «humøret» forblir det samme.
Trender bryter stasjonariteten
En stigende trend betyr at gjennomsnittet fortsetter å øke, så serien er ikke-stasjonær. Mange modeller vil ha problemer inntil du løser dette.
Sesongvariasjon bryter den også
Gjentakende sesongmessige svingninger får gjennomsnittet til å stige og synke i en syklus. Dette skiftende mønsteret regnes også som ikke-stasjonært.
ADF-testen
Du trenger ikke å gjette. ADF-testen kontrollerer stasjonaritet og returnerer en p-verdi som du kan tolke.
from statsmodels.tsa.stattools import adfuller
result = adfuller(sales)Slik leser du p-verdien
Hvis ADF-ens p-verdi er under 0,05, er serien sannsynligvis stasjonær. Over 0,05 har du sannsynligvis fortsatt en trend som må fjernes.
Differensiering til unnsetning
Differensiering erstatter hver verdi med hvor mye den endret seg siden forrige tidspunkt. Dette enkle grepet fjerner ofte en trend.
diffed = sales.diff()Hvorfor det fjerner trender
Ved å se på endringer i stedet for nivåer blir en jevn stigning til en flat linje som varierer rundt null, og som er stasjonær.
Fjern den første NaN
Den aller første raden har ingenting å trekke fra, så diff lar den stå som NaN. Fjern den før testing eller modellering.
diffed = sales.diff().dropna()Differensier én gang til
Hvis én runde ikke er nok, differensierer du resultatet en andre gang. Antallet runder blir d-leddet i ARIMA.
Sesongdifferensiering
For å fjerne en årlig syklus trekker du fra verdien 12 tidspunkter tilbake. Denne sesongmessige differensieringen retter seg direkte mot det gjentakende mønsteret.
seasonal = sales.diff(12)Hurtigsjekk
En ADF-test på råserien din returnerer en p-verdi på 0,40. Hva tyder det på?
Oppsummering: Gjør den stabil
Du lærte å teste stasjonaritet med ADF og å fjerne trender og sykluser ved hjelp av differensiering før modellering.
Lær deg Python med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 30
- Leksjoner
- 120
Ofte stilte spørsmål
Er leksjonen «Stasjonaritet og differensiering» gratis?
Ja – hele teksten i «Stasjonaritet og differensiering» er gratis å lese her på nettet. For å øve interaktivt med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt, og for å låse opp resten av Data Science Academy-kurset, kan du oppgradere til CoddyKit PRO. Kurset i Data Science Academy inneholder totalt 4 leksjoner.
Hva lærer jeg i «Stasjonaritet og differensiering»?
Forbered en serie for modellering. Du øver på Data Science Academy med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med Data Science Academy?
Ingen tidligere erfaring er nødvendig. Data Science Academy på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 3 av 4.
Hvor lang tid tar leksjonen «Stasjonaritet og differensiering»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne Data Science Academy-leksjonen?
Ja. Alle Data Science Academy-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Trend, sesongvariasjon og støy
- Glidende vinduer og laggede verdier
- Stasjonaritet og differensiering
- En første prognosebaseline