使用python實現時間序列白噪聲檢驗方式
白噪聲檢驗也稱為純隨機性檢驗， 當資料是純隨機資料時，再對資料進行分析就沒有任何意義了， 所以拿到資料後最好對資料進行一個純隨機性檢驗
acorr_ljungbox(x,lags=None,boxpierce=False) # 資料的純隨機性檢驗函式
lags為延遲期數，如果為整數，則是包含在內的延遲期數，如果是一個列表或陣列，那麼所有時滯都包含在列表中最大的時滯中
boxpierce為True時表示除開返回LB統計量還會返回Box和Pierce的Q統計量
返回值：
lbvalue:測試的統計量
pvalue:基於卡方分佈的p統計量
bpvalue:((optionsal),float or array) – 基於 Box-Pierce 的檢驗的p統計量
bppvalue:((optional),float or array) – 基於卡方分佈下的Box-Pierce檢驗的p統計量
程式碼實現：
from statsmodels.stats.diagnostic import acorr_ljungbox
acorr_ljungbox(b.salesVolume,lags = [6,12],boxpierce=True)
由輸出結果可以看到，不管是使用哪個統計量，p值都很大，所以該資料無法拒絕原假設，即認為該資料是純隨機資料
補充知識：用python實現時間序列單位根檢驗
在時間序列的建模中，需要先對資料進行平穩性檢驗，常用的有DF檢驗、ADF檢驗和PP檢驗，文章例項ADF檢驗
注：檢驗的P值是隻在一個假設檢驗問題中，利用樣本觀測值能夠作出拒絕原假設的最小顯著性水平。
如果a >= p,則在顯著性水平a 下拒絕H0
如果a < p,則在顯著性水平a下接受H0
實現方法一：
from arch.unitroot import ADF
ADF(data)
ADF檢驗的原假設是不平穩，這裡P值近似為0 ， 所以拒絕原假設，認為序列平穩。
from statsmodels.stats.diagnostic import unitroot_adf
unitroot_adf(b.salesVolume)
這裡包含了檢驗值、p-value、滯後階數、自由度等資訊。我們看到了檢驗統計量為–5.954367776923936，小於1%的臨界值-4.01203360058309,，即p值遠小於0.01，因此我們拒絕原假設，認為該時間序列是平穩的。（這裡原假設是存在單位根，即時間序列為非平穩的。)
以上這篇使用python實現時間序列白噪聲檢驗方式就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。