Verschillen nemen
In deze oefening ga je een tijdreeks van de bevolking van een stad voorbereiden voor modelleren. Als je de groeisnelheid van een stad kunt voorspellen, kun je plannen en de infrastructuur bouwen die later nodig is, en zo publieke uitgaven toekomstbestendig maken. In dit geval is de tijdreeks fictief, maar perfect om op te oefenen.
Je gaat visueel op stationariteit testen, de Augmented Dickey-Fuller-toets gebruiken en het verschil nemen om de gegevensset stationair te maken.
De DataFrame met de tijdreeks is voor je ingeladen als city en de functie adfuller() is geïmporteerd.
Deze oefening maakt deel uit van de cursus
ARIMA-modellen in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Run the ADF test on the time series
result = ____(____)
# Plot the time series
fig, ax = plt.subplots()
city.plot(ax=ax)
plt.show()
# Print the test statistic and the p-value
print('ADF Statistic:', ____)
print('p-value:', ____)