Identifikation
In den folgenden Übungen wendest du die Box-Jenkins-Methodik an, um von einem unbekannten Datensatz zu einem Modell zu gelangen, das für Prognosen bereit ist.
Du arbeitest mit einer neuen Zeitreihe: den persönlichen Ersparnissen als % des verfügbaren Einkommens in den USA von 1955–1979.
Der erste Schritt der Box-Jenkins-Methodik ist die Identifikation. In dieser Übung nutzt du die verfügbaren Werkzeuge, um zu testen, ob diese neue Zeitreihe stationär ist.
Die Zeitreihe wurde als DataFrame savings geladen, und die Funktion adfuller() wurde importiert.
Diese Übung ist Teil des Kurses
ARIMA-Modelle in Python
Anleitung zur Übung
- Zeichne die Zeitreihe mit der
.plot()-Methode des DataFrames. - Wende den Dicky-Fuller-Test auf die Spalte
'savings'des DataFramessavingsan und weise das Testergebnisresultzu. - Gib die Dicky-Fuller-Teststatistik und den zugehörigen p-Wert aus.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Plot time series
____
plt.show()
# Run Dicky-Fuller test
result = ____
# Print test statistic
____
# Print p-value
____