在线时间:8:00-16:00
迪恩网络APP
随时随地掌握行业动态
扫描二维码
关注迪恩网络微信公众号
开源软件名称:postgrad开源软件地址:https://gitee.com/thales-ucas/postgrad开源软件介绍:时间序列时间序列是通过以往数据对未来预测的一种方法 区别于回归,时间序列必须以时间为索引 因为时间为索引,就拥有了好多专门以时间为基准的各种处理方式 研究生报名时间序列分析我们从研招网上找点现成的数据测试一下 基本上各种数据都可以按照这个格式 数据收集数据我们收集数据保存一个xls 整理数据注意,数据一定要设定特有的格式 比如,时间要设置时间日期格式 数值的部分也设置成数值格式 数据模型分析现在只用《数据模型分析》的知识就可以看见我们的数据结构 纯用xls就可以作图以及回归
为什么要做时间序列分析其实很多数据都是关联性很强的,有了之前的数据可以预测未来的数据 虽然有人表示,外部因素很多,预测价值不大 但是要知道,大部分数据有外部因素的影响,也有内部的决定性因素 我们找到内部的决定性数据做预测不就可以了吗? 我们做点什么总会比完全听天由命好得多! 时间序列现在开始时间序列分析 本程序源码 github: https://github.com/thales-ucas/postgrad.git gitee: https://gitee.com/thales-ucas/postgrad.git jupyter: https://gitee.com/thales-ucas/postgrad/blob/main/ts.ipynb
准备首选准备工具和选择语言 开发工具我们使用的是python3.8 库用的是statsmodels 官网 https://www.statsmodels.org/stable/index.html 其他的库 pandas、numpy、matplotlib之类不多说 其他选择stata可能对不懂代码的人更简单,但是我毕竟更喜欢Python 数据处理读取数据,并把‘年份’作为index import pandas as pd # 加载pandas库df = pd.read_excel('./postgrad.xlsx', index_col='年份') # 读取数据,并把‘年份’作为index 参数df里面将会是下面的数据 报名人数(万人) 录取人数(万人)年份 1994年 11.4 4.21995年 15.5 41996年 20.4 4.71997年 24.2 5.11998年 27.4 5.81999年 31.9 7.22000年 39.2 10.32001年 46 13.32002年 62.4 16.42003年 79.7 222004年 94.5 27.32005年 117.2 312006年 127.12 34.22007年 128.2 36.12008年 120 38.62009年 124.6 44.92010年 140.6 47.442011年 151.1 49.462012年 165.6 51.72013年 176 54.092014年 172 54.872015年 164.9 57.062016年 177 58.982017年 201 72.222018年 238 76.252019年 290 702020年 341 111.4 pandas自动就提供了画图 import matplotlib.pyplot as plt # 加载matplotlib库plt.rcParams['font.family'] = ['SimHei'] # 用来解决画图不显示中文的问题plt.rcParams['axes.unicode_minus'] = False # df.plot() 只用调用plot函数,自动就会生成图 所以说,数据几乎不用处理 自相关这个是时间序列的最重要的部分 自相关函数(Autocorrelation Function)简称acf
其实是非常多的公式
其中“*”是卷积算符,(·)*为取共轭。 同一时间函数在瞬时t和t+a的两个值相乘积的平均值作为延迟时间t的函数,它是信号与延迟后信号之间相似性的度量。延迟时间为零时,则成为信号的均方值,此时它的值最大。 简而言之,自相关函数是表达信号和它的多径信号的相似程度。一个信号经过类似于反射、折射等其它情况的延时后的副本信号与原信号的相似程度。 但是我们的工具已经集成好了 from statsmodels.tsa import stattools # 加载统计工具stattools.acf(df['报名人数(万人)']) # 使用acf函数查看自相关,这块必须把数据单独处理 直接可以得到数据 array([ 1. , 0.81423905, 0.65027144, 0.52544157, 0.4328871 , 0.36415266, 0.3069205 , 0.23352341, 0.14151236, 0.05541858, -0.01477011, -0.07164203, -0.09999569, -0.12142532, -0.16265738, -0.22333888, -0.28665141, -0.32811461, -0.35836546, -0.36852085, -0.35864085, -0.34768165, -0.33612065, -0.31564578, -0.28059369, -0.2219345 , -0.12826781]) 数据是否看着不那么直观呢?我们画个图看看 from statsmodels.graphics import tsaplots # 加载画图工具tsaplots.plot_acf(df['报名人数(万人)']) 从图上就很好看出来了 由自相关图可以看出,在3阶后落区间内,衰减缓慢,应该属于不太平稳,有趋势,有震荡。 什么你看不出来? 那么我们来几个参考把 acf特征图示例平稳序列:ACF衰减迅速
交替序列:ACF交替非平稳序列:ACF衰减缓慢,时间序列有明显的趋势
偏自相关
tsaplots.plot_pacf(df['报名人数(万人)'], lags=12)stattools.pacf(df['报名人数(万人)'], nlags=12) 我们可以得到数据 array([ 1. , 0.84555593, -0.04445655, 0.0298257 , 0.03462791, 0.034026 , 0.00759744, -0.11156674, -0.16717121, -0.11336622, -0.09277878, -0.10712055, 0.00642539]) 以及图像 截尾与拖尾截尾是指时间序列的自相关函数(ACF)或偏自相关函数(PACF)在某阶后均为0的性质(比如AR的PACF);拖尾是ACF或PACF并不在某阶后均为0的性质(比如AR的ACF)。
另一个数据也做一下acf和pacfacftsaplots.plot_acf(df['录取人数(万人)'])stattools.acf(df['录取人数(万人)']) 数据 array([ 1. , 0.77745446, 0.71290617, 0.61195236, 0.49081891, 0.40856984, 0.32298534, 0.24185082, 0.15689749, 0.07291436, -0.00364409, -0.07209778, -0.14247035, -0.19387783, -0.24183538, -0.28991875, -0.32549654, -0.35546734, -0.37584055, -0.37855467, -0.3717302 , -0.35881287, -0.33374554, -0.30149915, -0.24478533, -0.18128372, -0.12528963]) 图像 pacftsaplots.plot_pacf(df['录取人数(万人)'])stattools.pacf(df['录取人数(万人)']) 数据 array([ 1. , 0.80735655, 0.33923726, 0.01240133, -0.17627036, -0.04424238, -0.02276105, -0.05906105, -0.14144766, -0.16522976, -0.14283129, -0.12345627, -0.20825935]) 图像 录取人数跟报名人数类似,不太平稳,有趋势,有震荡。 单位根检验
ADF检验Augmented Dickey-Fuller test,ADF是 Dickey-Fuller检验的增广形式。 DF检验只能应用于一阶情况,当序列存在高阶的滞后相关时,可以使用ADF检验,所以说ADF是对DF检验的扩展。
ADF检验就是判断序列是否存在单位根:如果序列平稳,就不存在单位根;否则,就会存在单位根。
H0 假设就是存在单位根,如果得到的显著性检验统计量小于三个置信度(10%,5%,1%),则对应有(90%,95,99%)的把握来拒绝原假设。
创建一个dickey函数,后面使用 def dickey(df): t = stattools.adfuller(df) output = pd.DataFrame(index=['Test Statistic Value', "p-value", "Lags Used", "Number of Observations Used","Critical Value(1%)","Critical Value(5%)","Critical Value(10%)"],columns=['value']) output['value']['Test Statistic Value'] = t[0] output['value']['p-value'] = t[1] output['value']['Lags Used'] = t[2] output['value']['Number of Observations Used'] = t[3] output['value']['Critical Value(1%)'] = t[4]['1%'] output['value']['Critical Value(5%)'] = t[4]['5%'] output['value']['Critical Value(10%)'] = t[4]['10%'] return output 报名人数检验
分析一下该序列能否平稳: 1%、%5、%10不同程度拒绝原假设的统计值和ADF Test result的比较,ADF Test result同时小于1%、5%、10%即说明非常好地拒绝该假设,本数据中,adf结果(Test Statistic)为1.332336, 大于三个level的统计值(-3.737709, -2.992216, -2.635747)。 看P-value是否非常接近0. 本数据中,P-value 为 0.996784,不够接近0。 ADF检验的原假设是存在单位根,只要这个统计值是小于1%水平下的数字就可以极显著的拒绝原假设,认为数据平稳。注意,ADF值一般是负的,也有正的,但是它只有小于1%水平下的才能认为是及其显著的拒绝原假设。 对于ADF结果在1% 以上 5%以下的结果,也不能说不平稳,关键看检验要求是什么样子的。 但是对于本例,数据是显然不平稳的了。 录取人数检验
录取人数的数据一样不平稳 一阶差分要让数据平稳才好做预测,所以我们使用一阶差分 一阶差分就是离散函数中连续相邻两项之差。
报名人数signdiff = pd.DataFrame()signdiff['一阶差分'] = df['报名人数(万人)'].diff().dropna()signdiff.plot()dickey(signdiff['一阶差分'])
还是不够平稳 录取人数enrolldiff = pd.DataFrame()enrolldiff['一阶差分'] = df['录取人数(万人)'].diff().dropna()enrolldiff.plot()dickey(enrolldiff)
录取人数一阶差分之后p-value小于0.05了,达到显著水平 高阶差分我们可以继续做高阶差分 二阶signdiff['二阶差分'] = df['报名人数(万人)'].diff(periods=2)signdiff = signdiff.dropna()signdiff.plot()dickey(signdiff['二阶差分'])
做了二阶差分依然不够显著 三阶signdiff['三阶差分'] = df['报名人数(万人)'].diff(periods=3)signdiff = signdiff.dropna()signdiff.plot()dickey(signdiff['三阶差分'])
三阶差分终于平稳了 但是差分太多,可能数据没有意义了,预测准确度虽然低,可能还是要用原始的数据 获取最佳pq我们在p=0、1、2、3、4和q=0、1、2中做对比 这时候画一个热力图效果很好 热力图函数 import numpy as npfrom statsmodels.tsa import arima_modelimport itertoolsimport seaborn as sns #热力图import warningswarnings.filterwarnings("ignore")def thermodynamicOrder(df, ar=4, ma=2): results_aic = pd.DataFrame(\ index=['AR{}'.format(i) for i in range(0, ar+1)],\ columns=['MA{}'.format(i) for i in range(0, ma+1)]) for p, q in itertools.product(range(0, ar+1), range(0, ma+1)): if p==0 and q==0: results_aic.loc['AR{}'.format(p), 'MA{}'.format(q)] = np.nan continue try: results = arima_model.ARMA(df, (p, q)).fit() #返回不同pq下的model的BIC值 results_aic.loc['AR{}'.format(p), 'MA{}'.format(q)] = results.aic except: continue results_aic = results_aic[results_aic.columns].astype(float) fig, ax = plt.subplots(figsize=(10, 8)) ax = sns.heatmap(results_aic, #mask=results_aic.isnull(), ax=ax, annot=True, #将数字显示在热力图上 fmt='.2f', ) ax.set_title('AIC') plt.show() 报名人数热力图使用原始数据查看热力图 thermodynamicOrder(df['报名人数(万人)'], 4, 2)
录取人数热力图使用一阶差分查看热力图 thermodynamicOrder(enrolldiff['一阶差分'], 4, 2)
模型预测周期性不强,我们使用ARMA模型 一阶差分的要还原 def revert(diffValues, *lastValue): for i in range(len(lastValue)): result = [] lv = lastValue[i] for dv in diffValues: lv = dv + lv result.append(lv) diffValues = result return diffValues 预测未来数据 fig, ax = plt.subplots(figsize=(15, 6))df.plot(ax=ax)signarma = arima_model.ARMA(df['报名人数(万人)'], (3, 0)).fit()signfuture = pd.DataFrame({'报名模型': signarma.fittedvalues}, index=signarma.fittedvalues.index)signfuture = signfuture.append(pd.DataFrame({'报名模型': signarma.forecast(4)[0]}, index=['2021年','2022年','2023年','2024年']))signfuture.plot(ax=ax)enrollarma = arima_model.ARMA(enrolldiff['一阶差分'], (2, 0)).fit()enrollfuture = pd.DataFrame({'录取模型': revert(enrollarma.fittedvalues, df['录取人数(万人)'][0])}, index=enrollarma.fittedvalues.index)enrollfuture = enrollfuture.append(pd.DataFrame({'录取模型':revert(enrollarma.forecast(5)[0], df['录取人数(万人)'][-2])}, index=['2020年','2021年','2022年','2023年','2024年']))enrollfuture.plot(ax=ax) 我们看看未来的数据怎样把~
|
请发表评论