1단계: 데이터가 고정되어 있는지 또는 추세가 고정되어 있는지 확인
Augmented Dickey-Fuller 테스트 테이블은 가설, 테스트 통계, p-값 및 데이터를 고정시키기 위해 비계절적 차이 보관을 고려해야 하는지 여부에 대한 권장 사항을 제공합니다.
검정 통계량은 귀무 가설을 평가하는 한 가지 방법을 제공합니다. 임계 값보다 작거나 같은 테스트 통계는 귀무 가설에 대한 증거를 제공합니다.
p-값은 귀무 가설에 반하는 증거를 측정하는 확률입니다. p-값이 작을수록 귀무 가설에 반하는 더 강력한 증거가 됩니다.
데이터를 차이로 구분할지 여부를 결정하려면 검정 통계량을 임계 값과 비교하거나 p-값을 유의 수준과 비교합니다. p-값에 더 많은 근사치가 포함되어 있기 때문에 분석의 권장 사항은 유의 수준이 0.01, 0.05 또는 0.10일 때 임계 값을 사용하여 귀무 가설을 평가합니다. 일반적으로 결론은 임계 값과 p-값에 대해 동일합니다. 귀무 가설은 데이터가 고정되어 있지 않다는 것인데, 이는 차이점 보관이 데이터를 고정시키려는 합리적인 단계임을 의미합니다.
- 유의 수준≤ P-값
- 테스트 통계 ≤ 임계 값
- p-값이 유의 수준보다 작거나 같거나 검정 통계량이 임계 값보다 작거나 같은 경우 귀무 가설을 기각하기로 결정합니다. 데이터가 고정되어 있다는 증거를 제공하기 때문에 분석의 권장 사항은 차이점 보관하지 않고 진행하는 것입니다.
- 유의 수준> P-값
- 테스트 통계 > 임계 값
- p-값이 유의 수준보다 크거나 검정 통계량이 임계 값보다 큰 경우 귀무 가설을 기각하지 않기로 결정합니다. 데이터가 고정되어 있다는 증거를 제공하지 않기 때문에 분석의 권장 사항은 차이점 보관이 데이터의 평균을 고정시키는지 여부를 확인하는 것입니다.
데이터가 고정되어 있는 경우 테스트에서는 차이점 보관을 권장하지 않습니다. 차이점 보관용 용어가 포함되지 않은 ARIMA 모델을 살펴보세요. 데이터가 고정되어 있지 않으면 차이점 보관용 항을 포함하는 ARIMA 모델을 탐색합니다. 차이 데이터의 시계열 플롯을 사용하여 연속 관측치 간의 차이가 고정된 데이터 집합인지 여부를 확인합니다. 차이가 있는 데이터가 고정되어 있는 경우 차이점 보관에 대한 첫 번째 순서 항이 있는 ARIMA 모델을 고려하는 것이 합리적입니다.
이 결과에서 2.29045의 검정 통계량은 약 -2.96053의 임계 값보다 큽니다. 결과가 데이터가 고정되어 있지 않다는 귀무 가설을 기각하지 못하기 때문에 테스트의 권장 사항은 데이터를 고정시키기 위해 차이점 보관을 고려하는 것입니다.
증대된 Dickey-Fuller 검정
| 귀무 가설: | 데이터는 고정되지 않습니다. |
|---|---|
| 대립 가설: | 데이터는 고정되어 있습니다. |
| 검정 통계량 | P-값 | 추천 |
|---|---|---|
| 2.29045 | 0.999 | 검정 통계 > -2.96053의 임계값. |
| 유의 수준 = 0.05 | ||
| 귀무 가설을 거부하지 않습니다. | ||
| 데이터를 고정하기 위해 차분 계산을 고려하십시오. |
2단계: 데이터 차이점 보관의 효과 검사
테스트의 결론이 차이점 보관을 지원하는 경우 고정되지 않은 데이터의 특성에 대해 차이 있는 데이터의 플롯을 검사합니다. 시계열 그림의 추세는 데이터의 평균이 고정되어 있지 않음을 나타내는 패턴의 예입니다. ACF 플롯에서 느리게 감소하는 큰 스파이크는 고정되어 있지 않은 데이터도 나타냅니다. 차이 있는 데이터에 이러한 패턴이 표시되는 경우 ARIMA 모델을 두 번째 차수 보관용으로 적합할지 여부를 고려합니다. 일반적으로 1 ~ 2 개의 차이점 보관용 주문은 데이터에 합리적인 적합성을 제공하기에 충분합니다.
차이가 있는 데이터가 고정되어 있는 경우 합리적인 방법은 ARIMA 모델에 비계절적 차이 보관의 단일 순서를 포함하는 것입니다. ARIMA 모델에 대한 자세한 내용은 을 참조하십시오 ARIMA 개요.
시계열 그림은 차이점 보관의 결과를 보여 줍니다. 이 결과에서 원본 데이터의 시계열 그림은 명확한 추세를 보여줍니다. 차이난 데이터의 시계열 그림은 연속적인 값 간의 차이를 보여줍니다. 차이가 있는 데이터는 점들이 변동에서 명백한 패턴 없이 수평 경로를 따르기 때문에 고정되어 나타납니다.
ACF 플롯은 또한 차이점 보관의 효과를 보여줍니다. 이 결과에서 원본 데이터의 ACF 플롯은 지연에 걸쳐 천천히 감소된 스파이크를 보여줍니다. 이 패턴은 데이터가 고정되어 있지 않음을 나타냅니다. 차이 데이터의 ACF 플롯에서 0과 유의하게 다른 스파이크는 지연 1에 있습니다.
이 결과에서 시계열 플롯과 ACF 플롯은 테스트 결과를 확인합니다. 따라서 합리적인 접근 방식은 데이터를 차이로 만든 다음 자동 회귀 및 이동 평균 모델을 적합시켜 예측을 수행하는 것입니다.
