时间序列预测、平稳性分析答案

【问题标题】：Time series forecasting, analysing stationarity时间序列预测、平稳性分析
【发布时间】：2021-06-12 06:25:01
【问题描述】：

我有一个从 1990 年到 2017 年的年度碳排放数据（28 个数据点），我想对其进行时间序列预测。窗口为 2 的数据的滚动平均值随着时间的推移不断增加，这表明我的数据不是静止的，但 dicky-fuller 检验给出的 p 值为 0.04，小于 0.05，因此这表明数据是静止的。在这种情况下可以做什么？

def rolling_stats(time_data):
     rolling_mean=time_data.rolling(2).mean()
     rolling_std=time_data.rolling(2).std()
     raw_data=plt.plot(time_data,color="blue",label="Original Data")
     mean=plt.plot(rolling_mean,color="green",label="mean")
     std=plt.plot(rolling_std,color="red",label="std")
     plt.legend(loc="best")
     plt.title("Mean and standard deviation")
     plt.xlabel("Years")
     plt.ylabel("Carbon emitted in megatonnes")
rolling_stats(CarbonEmitted)

【问题讨论】：

看来您的问题不是关于编程，而是关于统计？如果您有需要解决问题的代码，请包含它，并且您可能还希望包含数据和代码以显示绘图，而不是图像，因为图像看起来不是您的样子有问题。
我使用 adfuller 进行 dicky-fuller 测试并使用 pd.rolling().mean() 来找到滚动平均值

标签： python time-series arima

【解决方案1】：

如果不查看代码/数据，很难看出您做错了什么，例如，您可能在标准偏差或其他方面表现得更差。您的数据应采用以下格式

Date	Emission
1992-01-01	21
1993-01-01	20.5

日期通常设置为索引，您的日期应该是日期时间类型

【讨论】：

是的，格式相同。我的索引是日期时间类型的日期，我有排放值。
所以如果你输入 df.plot() 它只会给出一条缓慢增加的线？
是的。对于原始数据，没有任何变换或差分，只是一条缓慢增加的线
也许可以尝试其他测试，例如 KPSS 或 Philip Peron，我知道您会希望并且可能需要 ADF 才能工作，但这些测试正在测试单位根，这会推断出非平稳性。也许调查为什么 adf 认为单位根不存在。时间 t 的值应该等于 t-1 的值 + 噪声，以便单位根存在。

【解决方案2】：

ADF 测试用于确定对数据进行差分是否会产生 staionairty，从而推断当前数据不是。我没有你的数据，所以我不知道它是否有，但你想要测试的是差异数据是否会导致以 0 为中心的随机噪声。如果您在执行 ADF 时没有获得固定数据，那么这可能就是 ADF 在原始数据上失败的原因。

您还可以查看其他测试，有时不需要进行差分即可使数据保持静止，而对数转换更合适，请对您的数据进行试验并查看。

【讨论】：