La température suit-elle une marche aléatoire (avec dérive) ?

Un modèle ARMA est une approche simple pour prévoir les variations climatiques, mais il illustre bien de nombreux thèmes abordés dans ce cours.

Le DataFrame temp_NY contient la température moyenne annuelle à Central Park, NY, de 1870 à 2016 (données téléchargées auprès de la NOAA ici). Tracez la série et testez si elle suit une marche aléatoire (avec dérive).

Cet exercice fait partie du cours

<cours>Analyse des séries temporelles en Python</cours>

Voir le cours

Instructions de l’exercice

Convertissez l’index des années en objet datetime avec pd.to_datetime() et, comme les données sont annuelles, passez l’argument format='%Y'.
Tracez la série avec .plot()
Calculez la p-valeur du test d’Augmented Dickey-Fuller à l’aide de la fonction adfuller.
Enregistrez les résultats du test ADF dans result, puis affichez la p-valeur dans result[1].

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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])

Modifier et exécuter le code