Czy temperatura to błądzenie losowe (z dryftem)?

Model ARMA to uproszczone podejście do prognozowania zmian klimatycznych, ale dobrze ilustruje wiele zagadnień omówionych w tym kursie.

DataFrame temp_NY zawiera średnią roczną temperaturę w Central Parku w Nowym Jorku za lata 1870–2016 (dane pobrano z serwisu NOAA tutaj). Zwizualizuj dane i sprawdź, czy podążają one za modelem błądzenia losowego (z dryftem).

To ćwiczenie jest częścią kursu

Analiza szeregów czasowych w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Przekształć indeks lat na obiekt datetime za pomocą pd.to_datetime(). Ponieważ dane są roczne, przekaż argument format='%Y'.
Wyświetl wykres danych, używając .plot().
Oblicz wartość p testu rozszerzonego Dickeya-Fullera, korzystając z funkcji adfuller.
Zapisz wyniki testu ADF w zmiennej result i wyświetl wartość p przechowywaną w result[1].

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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])

Edytuj i uruchom kod