Stacjonarność i różnicowanie

Większość modeli prognostycznych zakłada, że szereg zachowuje się w podobny sposób w czasie. Ta właściwość ma nazwę: stacjonarność. 🎯

Stacjonarny szereg ma stabilną średnią i rozproszenie, które nie zmieniają się w czasie. Jego statystyczny charakter pozostaje taki sam.

Rosnący trend oznacza, że średnia stale się zwiększa, więc szereg jest niestacjonarny. Wiele modeli będzie mieć trudności, dopóki tego nie naprawisz.

Powtarzające się sezonowe wahania powodują cykliczne wzrosty i spadki średniej. Taka zmienność wzorca również oznacza niestacjonarność.

Nie trzeba zgadywać. Test ADF sprawdza stacjonarność i zwraca wartość p, którą można zinterpretować.

Jeśli wartość p testu ADF jest mniejsza niż 0.05, szereg prawdopodobnie jest stacjonarny. Powyżej tej wartości najpewniej nadal występuje trend, który trzeba usunąć.

Różnicowanie zastępuje każdą wartość informacją o tym, o ile zmieniła się względem poprzedniego kroku. Ten prosty zabieg często usuwa trend.

Analizowanie zmian zamiast poziomów sprawia, że równomierny wzrost staje się płaską linią oscylującą wokół zera, czyli stacjonarną.

Pierwszy wiersz nie ma poprzedniej wartości, którą można odjąć, dlatego diff pozostawia w nim NaN. Usuń ten wiersz przed testowaniem lub modelowaniem.

Jeśli jedno różnicowanie nie wystarczy, wykonaj je drugi raz na otrzymanym wyniku. Liczba różnicowań staje się składnikiem d w modelu ARIMA.

Aby usunąć roczny cykl, odejmij wartość sprzed 12 kroków. Ta sezonowa różnica celuje bezpośrednio w powtarzający się wzorzec.

Test ADF wykonany na surowym szeregu zwraca wartość p równą 0.40. Co to sugeruje?

Dowiedział się Pan/Dowiedziała się Pani, jak sprawdzać stacjonarność za pomocą ADF oraz usuwać trendy i cykle przez różnicowanie przed modelowaniem.