你的序列平均是零吗?
方差会随时间变化吗?
值与延迟值有关吗?
可以使用检查时间序列是否为白噪声:的工具
绘制折线图。 检查总体特征,包括变化的平均值、方差和延迟变量之间的明显关系。
计算统计。 对照序列中有效连续块的均值和方差,检查整个序列的均值和方差(例如,年、月、日)。
绘制自相关图。 检查延迟变量之间的整体相关性。
白噪声时序示例
在本节中,我们将使用Python创建tldh白噪声序列并进行一些检查。 有助于建立和评估白噪声的时间序列。 参照框架和示例图表,使用自己的时间系列项目统计测试进行比较,检查是否为白噪声
首先,使用随机模块的gauss ()函数创建1,000个随机tldh变量的列表。
从tldh分布中提取变量。 平均值(mu ) 0.0和标准偏差(sigma ) 1.0。
创建后,为了方便起见,可以将此列表打包到Pandas序列中。
fromrandomimportgaussfromrandomimportseedfrompandasimportseriesfrompandas.tools.plottingimportautocorrelation _ plot
# seedrandomnumbergeneratorseed (1) #创建站点响铃系列
series=[ gauss (0.0,1.0 ) foriinrange (1000 ) ] series=series (series ) series ) )。
然后计算并打印汇总统计数据,包括系列平均值和标准偏差。
# summarystatsprint (series.describe () )
因为在绘制随机数时定义了平均值和标准偏差,所以应该不会意外。
count 1000.000000 mean-0.013222 STD 1.003685 min-2.96121425 %-0.68419250 %-0.01093475 % 0.703915 max 2.737260
可见平均值接近0.0,标准偏差接近1.0。 认为样本小的话预测会有一些误差。
如果有更多的数据,把序列分成一半计算,比较每一半的统计数据可能会更有趣。 我们认为各子系列的平均值和标准偏差相似。
现在,您可以创建几个系列的线条图。
#线打印
series.plot () pyplot.show ) )。
这个序列似乎是随机的。
也可以创建直方图,以确保分布是tldh分布。
# histogram plot
series.hist () pyplot.show ) )。
事实上,直方图显示了典型的钟形曲线。
最后,可以绘制自相关图,检查延迟变量的所有自相关。
# autocorrelationautocorrelation _ plot (系列) pyplot.show ) )。
自相关图中没有显示任何明显的自相关特性。 高峰时期的可靠性达到了95%和99%,但这只是统计的偶然。
为了完整性,以下是完整的代码清单。
fromrandomimportgaussfromrandomimportseedfrompandasimportseriesfrompandas.tools.plottingimportautocorrelation _ plotfromfromm
# seedrandomnumbergeneratorseed (1) #创建站点响铃系列
series=[ gauss (0.0,1.0 ) foriinrange (1000 ) ]series=series ) # summarystatsprint (series.describe ) )
Series.plot(pyplot.show ) ) # histogram plot
series.hist(pyplot.show ) # autocorrelationautocorrelation _ plot (series ) pyplot.show ) ) ) ) )。