增广 Dicky-Fuller 检验

本练习中，您将对地震时间序列运行增广 Dicky-Fuller 检验，以判断其是否平稳。您在上一个练习中已经绘制了该时间序列。它看起来可能是平稳的，但地震破坏性极大。若要对其进行预测，您最好先确认。

请记住，如果它不平稳，就意味着每年的地震次数存在趋势并在变化。如果趋势向上，这是非常糟糕的消息，因为意味着更大的损失。如果趋势向下，也同样不妙，这可能暗示地球核心正在变化，并可能对我们产生一系列连锁影响！

earthquake DataFrame 已为您加载完成。

本练习是课程的一部分

Python 中的 ARIMA 模型

练习说明

从 statsmodels 导入增广 Dicky-Fuller 函数 adfuller()。
对 earthquake DataFrame 的 'earthquakes_per_year' 列运行 adfuller()，并将结果赋给 result。
打印检验统计量、p 值和临界值。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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(____)

编辑并运行代码

本练习是课程的一部分

Python 中的 ARIMA 模型

SkillTag.level.advancedSkillTag.label

4.9+

免费开始课程

直接上手，学习时间序列最重要的属性。您将了解平稳性，以及它对于 ARMA 模型的重要性。您将学习如何通过目测和标准统计检验来测试平稳性。最后，您将了解 ARMA 模型的基本结构，并据此生成一些 ARMA 数据并拟合一个 ARMA 模型。

Exercise 1: 时间序列与平稳性的入门 Exercise 2: 探索 Exercise 3: 训练-测试集划分 Exercise 4: 是否平稳 Exercise 5: 让时间序列平稳 Exercise 6: 增广 Dicky-Fuller 检验

当前练习

Exercise 7: 取差分 Exercise 8: 其他变换 Exercise 9: AR、MA 与 ARMA 模型入门 Exercise 10: 模型阶数 Exercise 11: 生成 ARMA 数据 Exercise 12: 拟合热身

本章的主题就是：预测您数据中即将发生的事情。您将学习如何使用优雅的 statsmodels 包来拟合 ARMA、ARIMA 和 ARMAX 模型。然后，您将使用这些模型来预测充满不确定性的股票价格未来！

Exercise 1: 拟合时间序列模型 Exercise 2: 拟合 AR 和 MA 模型 Exercise 3: 拟合 ARMA 模型 Exercise 4: 拟合 ARMAX 模型 Exercise 5: 预测 Exercise 6: 生成一步预测 Exercise 7: 绘制一步预测 Exercise 8: 生成动态预测 Exercise 9: 绘制动态预测 Exercise 10: ARIMA 模型入门 Exercise 11: 差分与拟合 ARMA Exercise 12: 展开 ARMA 预测 Exercise 13: 拟合 ARIMA 模型 Exercise 14: 选择 ARIMA 模型

在本章中，您将成为一位有鉴别力的建模者。您将学习如何从数据本身识别有潜力的模型阶数；在训练出最具潜力的模型后，您还将学习如何从这组已拟合的模型中选择最佳模型。您还会学习一个用于组织时间序列项目的优秀框架。

Exercise 1: ACF 与 PACF 入门 Exercise 2: AR 还是 MA Exercise 3: 地震序列的阶数 Exercise 4: AIC 与 BIC 入门 Exercise 5: 搜索模型阶数 Exercise 6: 使用 AIC 与 BIC 选择模型阶数 Exercise 7: AIC 和 BIC 对比 ACF 和 PACF Exercise 8: 模型诊断 Exercise 9: 平均绝对误差 Exercise 10: 诊断性汇总统计 Exercise 11: 绘制诊断图 Exercise 12: Box–Jenkins 方法 Exercise 13: 识别（Identification）Exercise 14: 识别 II Exercise 15: 估计 Exercise 16: 诊断

在最后一章中，您将学习如何使用季节性 ARIMA 模型来拟合更复杂的数据。您将学习如何将数据分解为季节性与非季节性部分，随后有机会将所有 ARIMA 工具应用到最后一次全球预测挑战中。

Exercise 1: 季节性时间序列 Exercise 2: 季节性分解 Exercise 3: 季节性 ACF 与 PACF Exercise 4: SARIMA 模型 Exercise 5: 拟合 SARIMA 模型 Exercise 6: 选择 SARIMA 阶数 Exercise 7: SARIMA 与 ARIMA 的预测对比 Exercise 8: 自动化与保存 Exercise 9: 自动化模型选择 Exercise 10: 保存与更新模型 Exercise 11: SARIMA 与 Box-Jenkins Exercise 12: 乘法季节性 vs 加法季节性 Exercise 13: SARIMA 模型诊断 Exercise 14: SARIMA 预测 Exercise 15: 恭喜您！