เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Augmented Dicky-Fuller

ในแบบฝึกหัดนี้ จะได้รันการทดสอบ Augmented Dicky-Fuller บน time series ของแผ่นดินไหว เพื่อตรวจสอบ stationarity คุณได้พล็อต time series นี้ในแบบฝึกหัดที่แล้ว ซึ่งดูเหมือนจะ stationary แต่แผ่นดินไหวนั้นสร้างความเสียหายรุนแรงมาก หากต้องการทำนายเหตุการณ์เหล่านี้ จึงควรตรวจสอบให้มั่นใจก่อน

จำไว้ว่าหากข้อมูลไม่ใช่ stationary หมายความว่าจำนวนแผ่นดินไหวต่อปีมีแนวโน้ม (trend) และกำลังเปลี่ยนแปลง ซึ่งจะเป็นข่าวร้ายอย่างมากหากแนวโน้มเป็นขาขึ้น เพราะนั่นหมายถึงความเสียหายที่เพิ่มขึ้น และก็เป็นข่าวร้ายเช่นกันหากแนวโน้มเป็นขาลง เพราะอาจบ่งชี้ว่าแกนโลกกำลังเปลี่ยนแปลง ซึ่งอาจส่งผลกระทบต่อเราในหลายด้าน

โหลด DataFrame ของแผ่นดินไหวให้แล้วในตัวแปร earthquake

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

ARIMA Models ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • Import ฟังก์ชัน Augmented Dicky-Fuller adfuller() จาก statsmodels
  • รันฟังก์ชัน adfuller() บนคอลัมน์ 'earthquakes_per_year' ของ DataFrame earthquake แล้วกำหนดผลลัพธ์ให้กับตัวแปร result
  • พิมพ์ค่าสถิติทดสอบ ค่า p-value และค่าวิกฤต

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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(____)
แก้ไขและรันโค้ด