時間序列預測、平穩性分析

Question

我有一個從 1990 年到 2017 年的年度碳排放數據（28 個數據點），我想對其進行時間序列預測。 window 為 2 的數據的滾動平均值隨着時間的推移不斷增加，這表明我的數據不是平穩的，但 dicky-fuller 檢驗給出的 p 值為 0.04，小於 0.05，因此這表明數據是平穩的。 在這種情況下可以做些什么？

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

如果沒有看到代碼/數據，很難看出你做錯了什么，例如，你可能在標准偏差或其他東西上表現得更糟。 您的數據應采用以下格式

日期	排放
1992-01-01	21
1993-01-01	20.5

日期通常設置為索引，您的日期應該是日期時間類型

Answer 2

ADF 測試用於確定對數據進行差分是否會產生 staionairty，從而推斷當前數據不是。 我沒有你的數據，所以我不知道它是否有，但你想要測試的是差異數據是否會導致以 0 為中心的隨機噪聲。如果在執行 ADF 時沒有得到固定數據，那么這可能就是 ADF 的原因您的原始數據失敗。

您可以查看其他測試，有時不需要差異來使數據靜止，並且對數轉換更合適，對您的數據進行試驗並查看。