Dickey-Fuller aumentado

En este ejercicio vas a ejecutar la prueba de Dickey-Fuller aumentada sobre la serie temporal de terremotos para comprobar si es estacionaria. En el ejercicio anterior ya representaste esta serie. Parecía que podría ser estacionaria, pero los terremotos son muy destructivos. Si quieres hacer predicciones sobre ellos, más vale estar seguro.

Recuerda que, si no fuera estacionaria, esto significaría que el número de terremotos por año tiene una tendencia y está cambiando. Sería una noticia terrible si la tendencia fuera al alza, porque implicaría más daños. También sería una mala noticia si la tendencia fuera a la baja: podría sugerir que el núcleo de nuestro planeta está cambiando y esto podría tener muchos efectos en cadena para nosotros.

El DataFrame de terremotos se ha cargado como earthquake.

Este ejercicio forma parte del curso

Modelos ARIMA en Python

Instrucciones del ejercicio

Importa la función de Dickey-Fuller aumentada adfuller() desde statsmodels.
Ejecuta la función adfuller() sobre la columna 'earthquakes_per_year' del DataFrame earthquake y asigna el resultado a result.
Imprime el estadístico de la prueba, el valor p y los valores críticos.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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(____)

Editar y ejecutar código

Este ejercicio forma parte del curso

Modelos ARIMA en Python

AvanzadoNivel de habilidad

4.9+

Empieza el curso gratis

Entra de lleno y conoce las propiedades más importantes de las series temporales. Aprenderás qué es la estacionariedad y por qué es clave para los modelos ARMA. Verás cómo comprobar la estacionariedad a simple vista y con una prueba estadística estándar. Por último, conocerás la estructura básica de los modelos ARMA y la usarás para generar datos ARMA y ajustar un modelo ARMA.

Exercise 1: Introducción a las series temporales y la estacionariedad Exercise 2: Exploración Exercise 3: División en train-test Exercise 4: ¿Es estacionaria?Exercise 5: Hacer estacionarias las series temporales Exercise 6: Dickey-Fuller aumentado

Ejercicio actual

Exercise 7: Aplicar la diferenciación Exercise 8: Otras transformaciones Exercise 9: Introducción a los modelos AR, MA y ARMA Exercise 10: Orden del modelo Exercise 11: Generación de datos ARMA Exercise 12: Ajuste: preámbulo

Lo que te espera en este capítulo es que tú predigas lo que viene en tus datos. Aprenderás a usar el elegante paquete statsmodels para ajustar modelos ARMA, ARIMA y ARMAX. Luego usarás tus modelos para predecir el incierto futuro de los precios de las acciones.

Exercise 1: Ajuste de modelos de series temporales Exercise 2: Ajuste de modelos AR y MA Exercise 3: Ajustar un modelo ARMA Exercise 4: Ajustar un modelo ARMAX Exercise 5: Predicción Exercise 6: Generar predicciones de un paso adelante Exercise 7: Representar predicciones de un paso adelante Exercise 8: Generar predicciones dinámicas Exercise 9: Representar previsiones dinámicas Exercise 10: Introducción a los modelos ARIMA Exercise 11: Diferenciación y ajuste de ARMA Exercise 12: Desplegando el pronóstico ARMA Exercise 13: Ajustar un modelo ARIMA Exercise 14: Elegir el modelo ARIMA

En este capítulo, te convertirás en un modelizador con criterio. Aprenderás a identificar órdenes de modelo prometedores a partir de los propios datos y, una vez entrenados los modelos más prometedores, verás cómo elegir el mejor modelo de entre esa selección ajustada. También aprenderás un gran marco de trabajo para estructurar tus proyectos de series temporales.

Exercise 1: Introducción a la ACF y la PACF Exercise 2: AR o MA Exercise 3: Orden de los terremotos Exercise 4: Introducción a AIC y BIC Exercise 5: Búsqueda del orden del modelo Exercise 6: Elegir el orden con AIC y BIC Exercise 7: AIC y BIC vs. ACF y PACF Exercise 8: Diagnóstico del modelo Exercise 9: Error absoluto medio Exercise 10: Estadísticos de resumen de diagnóstico Exercise 11: Diagnósticos de gráfico Exercise 12: Método de Box-Jenkins Exercise 13: Identificación Exercise 14: Identificación II Exercise 15: Estimación Exercise 16: Diagnósticos

En este último capítulo, aprenderás a usar modelos ARIMA estacionales para ajustar datos más complejos. Verás cómo descomponer estos datos en partes estacionales y no estacionales y después tendrás la oportunidad de aplicar todas tus herramientas de ARIMA en un último desafío de pronóstico global.

Exercise 1: Series temporales estacionales Exercise 2: Descomposición estacional Exercise 3: ACF y PACF estacionales Exercise 4: Modelos SARIMA Exercise 5: Ajuste de modelos SARIMA Exercise 6: Elegir el orden de SARIMA Exercise 7: Pronósticos SARIMA vs ARIMA Exercise 8: Automatización y guardado Exercise 9: Selección automática de modelos Exercise 10: Guardar y actualizar modelos Exercise 11: SARIMA y Box-Jenkins Exercise 12: Estacionalidad multiplicativa vs aditiva Exercise 13: Diagnóstico de modelos SARIMA Exercise 14: Pronóstico SARIMA Exercise 15: ¡Enhorabuena!