企业官网建设流程全解析

如何才能看到国外的设计网站,dede手机网站更新,找人做网站被骗怎么办,后台网站地图本文详细介绍 ADF检测#xff08;Augmented Dickey-Fuller Test#xff09;#xff0c;这是时间序列分析中判断数据是否平稳的金标准。 在做时间序列预测#xff08;比如用 ARIMA 模型#xff09;之前#xff0c;我们必须先回答一个问题#xff1a;“这组数据是平稳的吗…本文详细介绍ADF检测Augmented Dickey-Fuller Test这是时间序列分析中判断数据是否平稳的金标准。在做时间序列预测比如用 ARIMA 模型之前我们必须先回答一个问题“这组数据是平稳的吗”如果不平稳很多模型根本跑不通或者跑出来的结果是错的。1. 什么是“平稳性” (Stationarity)用最直白的话说平稳的数据就是“守规矩”的数据。它的统计特性均值、方差不会随着时间流逝而改变。无论你什么时候去观察它它看起来都差不多。生动的例子平稳序列心电图人的心跳虽然在跳动但始终围绕着一个基准线比如每分钟 75 次上下波动。它不会今天跳 70明天跳 200后天跳 1000。特点有固定的均值波动范围方差也比较固定。非平稳序列股票走势一支牛股价格从 10 块涨到 100 块又跌回 50 块。它的均值一直在变去年均价 20今年均价 80。特点有趋势上涨或下跌或者波动越来越剧烈。(图示上方是平稳序列围绕 0 轴稳定波动下方是非平稳序列像醉汉走路一样没有定性)2. 为什么要追求平稳你可能会问“股票那种不平稳的数据才是常态啊为什么要强求平稳”因为大多数经典的时间序列模型如 ARIMA都是基于“过去即未来”的假设。如果数据是平稳的我们可以自信地说“过去它的均值是 0未来它的均值大概率还是 0。”如果数据不平稳比如一直在涨过去的均值是 10未来的均值可能是 100。用过去的规律去套未来的数据就会失效。所以在建模前我们通常要把“不平稳”的数据转化成“平稳”的数据。3. 什么是 ADF 检测肉眼看图虽然直观但有时候不够严谨。我们需要一个数学上的裁判这就是ADF 检测。它的全称是Augmented Dickey-Fuller Test增广迪基-福勒检验。核心逻辑假设检验ADF 检测就像法庭审判原假设 (H0)“被告是有罪的”-“数据是不平稳的”存在单位根。备择假设 (H1)“被告是无罪的”-“数据是平稳的”。我们需要找证据计算统计量来推翻原假设。4. 如何看 ADF 检测结果我们在 Python 中使用statsmodels库来做 ADF 检测。结果中我们主要看两个指标4.1 p-value (P值) —— 最重要p-value 0.05结论证据确凿拒绝原假设。人话数据是平稳的。可以放心使用 ARIMA 等模型。p-value 0.05结论证据不足接受原假设。人话数据是不平稳的。需要处理比如做差分后再来检测。4.2 Test Statistic (统计量)如果Test Statistic小于Critical Value (1%, 5%, 10%)也可以说明平稳。通常看 P 值就够了P 值更直观。5. 数据不平稳怎么办如果 ADF 检测告诉你数据不平稳p 0.05别慌我们有绝招差分 (Differencing)。一阶差分今天减昨天。股票价格一直在涨不平稳。但“每天的涨跌幅”今天价格 - 昨天价格通常就是围绕 0 波动了平稳。对数变换取 Log。如果数据的波动越来越大喇叭口形状取 Log 可以把波动压下来。6. Python 代码示例fromstatsmodels.tsa.stattoolsimportadfullerimportpandasaspd# 假设 data 是你的时间序列数据resultadfuller(data)print(fADF Statistic:{result[0]})print(fp-value:{result[1]})ifresult[1]0.05:print(恭喜数据是平稳的。)else:print(遗憾数据不平稳。建议做一阶差分data.diff())7. 总结平稳性是时间序列建模的基石。ADF 检测是判断平稳性的裁判。记住口诀P 值小于 0.05才是好数据平稳。