Ist Temperatur eine Random Walk (mit Drift)?
Ein ARMA-Modell ist ein einfacher Ansatz zur Prognose von Klimaänderungen, zeigt aber viele der in diesem Kurs behandelten Themen.
Der DataFrame temp_NY enthält die durchschnittliche Jahrestemperatur im Central Park, NY, von 1870–2016 (die Daten wurden von der NOAA hier heruntergeladen). Zeichne die Daten und prüfe, ob sie einem Random Walk (mit Drift) folgen.
Diese Übung ist Teil des Kurses
<Kurs>Zeitreihenanalyse in Python</Kurs>Übungsanweisungen
- Wandle den Index mit Jahren in ein Datetime-Objekt um, indem du
pd.to_datetime()verwendest, und gib, da es sich um Jahresdaten handelt, das Argumentformat='%Y'mit. - Zeichne die Daten mit
.plot() - Berechne den p-Wert des Augmented-Dickey-Fuller-Tests mit der Funktion
adfuller. - Speichere die Ergebnisse des ADF-Tests in
resultund gib den p-Wert inresult[1]aus.
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Import the adfuller function from the statsmodels module
from statsmodels.tsa.stattools import adfuller
# Convert the index to a datetime object
temp_NY.index = pd.to_datetime(___.___, format=___)
# Plot average temperatures
temp_NY.___
plt.show()
# Compute and print ADF p-value
result = ___(temp_NY['TAVG'])
print("The p-value for the ADF test is ", result[1])