Augmented Dickey-Fuller

In dieser Übung führst du den Augmented-Dickey-Fuller-Test auf der Erdbeben-Zeitreihe aus, um auf Stationarität zu testen. Du hast diese Zeitreihe in der letzten Übung geplottet. Sie sah so aus, als könnte sie stationär sein, aber Erdbeben richten großen Schaden an. Wenn du Vorhersagen darüber machen möchtest, solltest du dir sicher sein.

Denk daran: Wenn sie nicht stationär wäre, würde das bedeuten, dass die Anzahl der Erdbeben pro Jahr einen Trend hat und sich verändert. Das wäre schlimme Nachrichten, wenn der Trend nach oben zeigt, denn das bedeutet mehr Schäden. Es wäre auch schlimme Nachrichten, wenn der Trend nach unten ginge – das könnte darauf hindeuten, dass sich der Erdkern verändert, und das hätte viele Nebenwirkungen für uns!

Der DataFrame mit den Erdbeben wurde als earthquake für dich geladen.

Diese Übung ist Teil des Kurses

ARIMA-Modelle in Python

Anleitung zur Übung

Importiere die Augmented-Dickey-Fuller-Funktion adfuller() aus statsmodels.
Führe adfuller() auf der Spalte 'earthquakes_per_year' des DataFrames earthquake aus und speichere das Ergebnis in result.
Gib die Teststatistik, den p-Wert und die kritischen Werte aus.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import augmented dicky-fuller test function
from statsmodels.tsa.stattools import ____

# Run test
result = ____

# Print test statistic
print(____)

# Print p-value
print(____)

# Print critical values
print(____)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

ARIMA-Modelle in Python

Hohe SchwierigkeitSchwierigkeitsgrad

4.9+

Kurs kostenlos starten

Steig direkt ein und lerne die wichtigsten Eigenschaften von Zeitreihen kennen. Du erfährst, was Stationarität ist und warum sie für ARMA-Modelle wichtig ist. Du lernst, Stationarität per Augenmaß und mit einem standardisierten statistischen Test zu prüfen. Zum Schluss lernst du die Grundstruktur von ARMA-Modellen kennen, erzeugst damit ARMA-Daten und passt ein ARMA-Modell an.

Exercise 1: Einführung in Zeitreihen und Stationarität Exercise 2: Erkundung Exercise 3: Train-Test-Splits Exercise 4: Ist sie stationär Exercise 5: Zeitreihen stationär machen Exercise 6: Augmented Dickey-Fuller

Aktuelle Übung

Exercise 7: Differenzbildung anwenden Exercise 8: Weitere Transformationen Exercise 9: Einführung in AR-, MA- und ARMA-Modelle Exercise 10: Modellordnung Exercise 11: ARMA-Daten erzeugen Exercise 12: Fitting-Vorspiel

In diesem Kapitel geht es darum, dass du vorhersagst, was in deinen Daten als Nächstes passiert. Du lernst, wie du das elegante statsmodels-Paket verwendest, um ARMA-, ARIMA- und ARMAX-Modelle zu fitten. Danach nutzt du deine Modelle, um die ungewisse Zukunft von Aktienkursen zu prognostizieren!

Exercise 1: Zeitreihenmodelle fitten Exercise 2: AR- und MA-Modelle anpassen Exercise 3: Ein ARMA-Modell anpassen Exercise 4: Ein ARMAX-Modell fitten Exercise 5: Prognosen Exercise 6: Ein-Schritt-voraus-Vorhersagen erzeugen Exercise 7: Ein-Schritt-Vorhersagen visualisieren Exercise 8: Dynamische Vorhersagen erzeugen Exercise 9: Dynamische Prognosen plotten Exercise 10: Einführung in ARIMA-Modelle Exercise 11: Differenzieren und ARMA anpassen Exercise 12: ARMA-Vorhersage ausrollen Exercise 13: Ein ARIMA-Modell fitten Exercise 14: ARIMA-Modell wählen

In diesem Kapitel wirst du zur Modellierer:in mit gutem Geschmack. Du lernst, wie du vielversprechende Modellordnungen aus den Daten selbst ableitest und, sobald die aussichtsreichsten Modelle trainiert sind, wie du aus dieser Auswahl das beste Modell wählst. Außerdem lernst du ein starkes Framework, mit dem du deine Zeitreihenprojekte strukturiert angehst.

Exercise 1: Einführung in ACF und PACF Exercise 2: AR oder MA Exercise 3: Ordnung der Erdbeben Exercise 4: Einführung in AIC und BIC Exercise 5: Suche nach Modellordnung Exercise 6: Ordnung mit AIC und BIC wählen Exercise 7: AIC und BIC vs. ACF und PACF Exercise 8: Modelldiagnostik Exercise 9: Mittlerer absoluter Fehler Exercise 10: Diagnostische Zusammenfassungsstatistiken Exercise 11: Diagnoseplots Exercise 12: Box-Jenkins-Methode Exercise 13: Identifikation Exercise 14: Identifikation II Exercise 15: Schätzung Exercise 16: Diagnose

In diesem letzten Kapitel lernst du, mit saisonalen ARIMA-Modellen komplexere Daten zu modellieren. Du zerlegst die Daten in saisonale und nicht saisonale Komponenten und nutzt dann all deine ARIMA-Werkzeuge für eine letzte globale Forecast-Herausforderung.

Exercise 1: Saisonale Zeitreihen Exercise 2: Seasonal decompose Exercise 3: Saisonale ACF und PACF Exercise 4: SARIMA-Modelle Exercise 5: SARIMA-Modelle anpassen Exercise 6: SARIMA-Ordnung wählen Exercise 7: SARIMA- vs. ARIMA-Vorhersagen Exercise 8: Automatisierung und Speichern Exercise 9: Automatisierte Modellauswahl Exercise 10: Modelle speichern und aktualisieren Exercise 11: SARIMA und Box-Jenkins Exercise 12: Multiplikative vs. additive Saisonalität Exercise 13: SARIMA-Modell-Diagnostik Exercise 14: SARIMA-Vorhersage Exercise 15: Glückwunsch!