python打卡 DAY56 时序数据的检验-CSDN博客

术语	定义	时序分析中的应用场景
原假设(H₀)	默认成立的假设（如"序列是白噪声"）	白噪声检验、平稳性检验
备择假设(H₁)	希望证明的假设（如"序列不是白噪声"）	验证序列存在有效模式
P值	当H₀为真时，观察到当前统计量或更极端值的概率	判断检验结果的显著性
显著性水平(α)	拒绝H₀的阈值（通常取0.05）	确定检验标准
置信区间	参数真实值可能落入的范围（通常95%置信度）	估计模型参数的可信范围

2. 白噪声检验

定义与特性

定义：均值为0、方差恒定、无自相关的完全随机序列
数学表达：$X_t \sim WN(0,\sigma^2)$，且$Cov(X_t,X_{t+k})=0$（当$k \neq 0$）

检验方法

ACF检验（自相关函数）

from statsmodels.graphics.tsaplots import plot_acf

# 绘制ACF图（白噪声应95%的点在置信区间内）
plot_acf(series, lags=40, alpha=0.05)  # alpha为显著性水平
plt.title("Autocorrelation Function")
plt.show()

Ljung-Box检验

from statsmodels.stats.diagnostic import acorr_ljungbox

# Q统计量检验（p>0.05不能拒绝白噪声假设）
lb_test = acorr_ljungbox(series, lags=10, return_df=True)
print(lb_test)

PACF检验（偏自相关）

from statsmodels.graphics.tsaplots import plot_pacf

# 偏自相关检验（识别AR模型阶数）
plot_pacf(series, lags=40, alpha=0.05, method='ols')
plt.title("Partial Autocorrelation Function")
plt.show()

3. 平稳性检验

定义与类型

平稳类型	要求条件
严格平稳	任意时间段的联合概率分布不变
弱平稳	均值恒定、方差恒定、自协方差只与时间间隔有关（通常检验这种）

ADF检验（单位根检验）

from statsmodels.tsa.stattools import adfuller

# Augmented Dickey-Fuller检验
result = adfuller(series, autolag='AIC')
print(f'ADF Statistic: {result[0]:.4f}')
print(f'p-value: {result[1]:.4f}')
print('Critical Values:')
for key, value in result[4].items():
    print(f'\t{key}: {value:.4f}')

# 判断标准：p<0.05且ADF统计量<临界值 → 拒绝非平稳假设

4. 季节性检验

ACF季节性识别

# 观察固定间隔的显著自相关（如月度数据看lag=12,24,...）
plot_acf(series, lags=48)  # 展示4年周期（假设为月度数据）

时序分解法

from statsmodels.tsa.seasonal import seasonal_decompose

# 加法模型分解
result = seasonal_decompose(series, model='additive', period=12)  # period为周期长度
result.plot()
plt.tight_layout()
plt.show()

# 乘法模型（适用于波动随水平变化的序列）
# result = seasonal_decompose(series, model='multiplicative', period=12)

检验流程总结

平稳性检验（ADF检验）
- 不平稳 → 差分/变换 → 重新检验
白噪声检验（Ljung-Box）
- 是白噪声 → 无建模价值
季节性检测（ACF/分解）
- 存在季节性 → 引入季节差分或季节因子
ARIMA定阶（ACF/PACF）
- ACF拖尾 → MA成分
- PACF截尾 → AR成分

实战案例：销售数据检验

import pandas as pd

# 加载示例数据
sales = pd.read_csv('sales.csv', parse_dates=['date'], index_col='date')

# 1. 平稳性检验
print("原始序列ADF检验:")
adf_test(sales['volume'])

# 一阶差分后检验
print("\n一阶差分后ADF检验:")
adf_test(sales['volume'].diff().dropna())

# 2. 白噪声检验
print("\n白噪声检验:")
print(acorr_ljungbox(sales['volume'].diff().dropna(), lags=12))

# 3. 季节性分析
plt.figure(figsize=(12,8))
seasonal_decompose(sales['volume'], model='additive', period=12).plot()
plt.show()

# 4. ACF/PACF联合分析
fig, (ax1, ax2) = plt.subplots(2,1, figsize=(12,8))
plot_acf(sales['volume'].diff().dropna(), lags=24, ax=ax1)
plot_pacf(sales['volume'].diff().dropna(), lags=24, ax=ax2, method='ols')
plt.tight_layout()
plt.show()

关键结论

检验顺序：平稳性 → 白噪声 → 季节性 → 模型定阶
结果解读：
- ADF检验：统计量越负越可能平稳
- Ljung-Box：p<0.05表明非白噪声
- ACF/PACF：截尾/拖尾特征决定ARMA参数
业务意义：
- 白噪声序列不可预测
- 非平稳序列需差分处理
- 季节性需专门建模处理

@浙大疏锦行