时间序列预测、平稳性分析

Question

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。 window 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平稳的，但 dicky-fuller 检验给出的 p 值为 0.04，小于 0.05，因此这表明数据是平稳的。 在这种情况下可以做些什么？

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)

Answer 1

如果没有看到代码/数据，很难看出你做错了什么，例如，你可能在标准偏差或其他东西上表现得更糟。 您的数据应采用以下格式

日期	排放
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

Answer 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。如果在执行 ADF 时没有得到固定数据，那么这可能就是 ADF 的原因您的原始数据失败。

您可以查看其他测试，有时不需要差异来使数据静止，并且对数转换更合适，对您的数据进行试验并查看。