Dickey-Fuller Aumentado

Neste exercício, você vai executar o teste de Dickey-Fuller aumentado na série temporal de terremotos para verificar a estacionariedade. Você já plotou essa série no exercício anterior. Ela parecia possivelmente estacionária, mas terremotos são muito destrutivos. Se você quer fazer previsões sobre eles, é melhor ter certeza.

Lembre-se de que, se não fosse estacionária, isso significaria que o número de terremotos por ano tem uma tendência e está mudando. Isso seria uma péssima notícia se a tendência fosse de alta, pois implicaria mais danos. Também seria uma péssima notícia se estivesse em queda, pois isso poderia sugerir que o núcleo do nosso planeta está mudando, o que pode trazer muitos efeitos colaterais para nós!

O DataFrame de terremotos já foi carregado para você como earthquake.

Este exercício faz parte do curso

Modelos ARIMA em Python

Instruções do exercício

Importe a função de Dickey-Fuller aumentada adfuller() de statsmodels.
Rode a função adfuller() na coluna 'earthquakes_per_year' do DataFrame earthquake e atribua o resultado a result.
Imprima a estatística de teste, o p-value e os valores críticos.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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 e executar o código

Este exercício faz parte do curso

Modelos ARIMA em Python

AvançadoNível de habilidade

4.9+

Iniciar curso de graça

Mergulhe de cabeça e conheça as propriedades mais importantes de séries temporais. Você vai aprender sobre estacionariedade e por que isso é importante para modelos ARMA. Vai aprender a testar estacionariedade visualmente e com um teste estatístico padrão. Por fim, vai conhecer a estrutura básica dos modelos ARMA e usá-la para gerar alguns dados ARMA e ajustar um modelo ARMA.

Exercise 1: Introdução a séries temporais e estacionaridade Exercise 2: Exploração Exercise 3: Divisões de treino e teste Exercise 4: É estacionária?Exercise 5: Tornando séries temporais estacionárias Exercise 6: Dickey-Fuller Aumentado

Exercício atual

Exercise 7: Calculando a diferença Exercise 8: Outras transformações Exercise 9: Introdução aos modelos AR, MA e ARMA Exercise 10: Ordem do modelo Exercise 11: Gerando dados ARMA Exercise 12: Ajuste: prelúdio

O que vem pela frente neste capítulo é você prevendo o que vem pela frente nos seus dados. Você vai aprender a usar o elegante pacote statsmodels para ajustar modelos ARMA, ARIMA e ARMAX. Depois, vai usar seus modelos para prever o futuro incerto dos preços das ações!

Exercise 1: Ajustando modelos de séries temporais Exercise 2: Ajustando modelos AR e MA Exercise 3: Ajustando um modelo ARMA Exercise 4: Ajustando um modelo ARMAX Exercise 5: Previsão Exercise 6: Gerando previsões de um passo à frente Exercise 7: Plotando previsões de um passo à frente Exercise 8: Gerando previsões dinâmicas Exercise 9: Plotando previsões dinâmicas Exercise 10: Introdução aos modelos ARIMA Exercise 11: Diferenciação e ajuste de ARMA Exercise 12: Desenrolando a previsão ARMA Exercise 13: Ajustando um modelo ARIMA Exercise 14: Escolhendo o modelo ARIMA

Neste capítulo, você vai se tornar um modelador de gosto apurado. Vai aprender a identificar ordens de modelo promissoras a partir dos próprios dados e, depois que os modelos mais promissores forem treinados, vai aprender a escolher o melhor modelo desse conjunto ajustado. Você também vai conhecer um ótimo framework para estruturar seus projetos de séries temporais.

Exercise 1: Introdução a ACF e PACF Exercise 2: AR ou MA Exercise 3: Ordem dos terremotos Exercise 4: Introdução a AIC e BIC Exercise 5: Buscando a ordem do modelo Exercise 6: Escolhendo a ordem com AIC e BIC Exercise 7: AIC e BIC vs ACF e PACF Exercise 8: Diagnóstico do modelo Exercise 9: Erro absoluto médio Exercise 10: Estatísticas de diagnóstico do resumo Exercise 11: Diagnóstico com gráficos Exercise 12: Método de Box-Jenkins Exercise 13: Identificação Exercise 14: Identificação II Exercise 15: Estimativa Exercise 16: Diagnósticos

Neste capítulo final, você vai aprender a usar modelos ARIMA sazonais para ajustar dados mais complexos. Você vai aprender a decompor esses dados em partes sazonais e não sazonais e, em seguida, terá a chance de usar todas as suas ferramentas de ARIMA em um último desafio de previsão global.

Exercise 1: Séries temporais sazonais Exercise 2: Decomposição sazonal Exercise 3: ACF e PACF sazonais Exercise 4: Modelos SARIMA Exercise 5: Ajustando modelos SARIMA Exercise 6: Escolhendo a ordem do SARIMA Exercise 7: Previsões SARIMA vs ARIMA Exercise 8: Automação e salvamento Exercise 9: Seleção automática de modelos Exercise 10: Salvando e atualizando modelos Exercise 11: SARIMA e Box-Jenkins Exercise 12: Sazonalidade multiplicativa vs aditiva Exercise 13: Diagnóstico do modelo SARIMA Exercise 14: Previsão com SARIMA Exercise 15: Parabéns!