La temperatura è un random walk (con drift)?
Un modello ARMA è un approccio semplice per prevedere i cambiamenti climatici, ma permette di illustrare molti dei temi trattati in questo corso.
Il DataFrame temp_NY contiene la temperatura media annua a Central Park, NY, dal 1870 al 2016 (i dati sono stati scaricati dalla NOAA qui). Traccia il grafico dei dati e verifica se seguono un random walk (con drift).
Questo esercizio fa parte del corso
Analisi delle serie temporali in Python
Istruzioni dell'esercizio
- Converti l’indice degli anni in un oggetto datetime usando
pd.to_datetime()e, dato che i dati sono annuali, passa l’argomentoformat='%Y'. - Traccia il grafico dei dati usando
.plot() - Calcola il p-value del test Augmented Dickey-Fuller usando la funzione
adfuller. - Salva i risultati del test ADF in
resulte stampa il p-value inresult[1].
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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])