一维时间序列数据的Durbin-Watson统计

我正在试验以决定是否与自身相关的时间序列（如在，一个浮点列表）。我已经在statsmodels（http://statsmodels.sourceforge.net/devel/generated/statsmodels.tsa.stattools.acf.html）中使用了acf函数，现在我正在研究Durbin-Watson统计是否有任何价值。一维时间序列数据的Durbin-Watson统计

好像这种事情应该工作：

from statsmodels.regression.linear_model import OLS 
import numpy as np 

data = np.arange(100) # this should be highly correlated 
ols_res = OLS(data) 
dw_res = np.sum(np.diff(ols_res.resid.values))

如果要运行它，你会得到：

Traceback (most recent call last): 
... 
    File "/usr/lib/pymodules/python2.7/statsmodels/regression/linear_model.py", line 165, in initialize 
    self.nobs = float(self.wexog.shape[0]) 
AttributeError: 'NoneType' object has no attribute 'shape'

看来，d/W通常用于比较两个时间序列（例如http://connor-johnson.com/2014/02/18/linear-regression-with-python/）的相关性，所以我认为问题是我没有通过另一个时间序列比较。也许这应该通过exog参数传递给OLS？

exog : array-like 

A nobs x k array where nobs is the number of observations and k is 
the number of regressors.

（从http://statsmodels.sourceforge.net/devel/generated/statsmodels.regression.linear_model.OLS.html）

侧面说明：我不知道一个 “NOBS X K” 阵列的意思。也许与数组是x由k？

那么我应该在这里做什么？我是否预计会通过data两次，或手动延迟自己，还是？

谢谢！

来源

2017-04-10 Edd Barrett

OLS是需要y和x（或endog和exog）的回归。在你的情况下，x需要至少是一个常数，即。 np.ones（len（endog），1）。

此外，您需要适合模型，即ols_res = OLS(y, x).fit()。

nobs x k装置2维用行k变量NOBS观察列，即exog.shape是(nobs, k)

德宾沃森是串行相关性的检验统计量。它包含在OLS汇总输出中。 statsmodels中还包含其他不包含自相关的测试。

（我会建议通过一些例子或补习的笔记本电脑工作。）

来源

2017-04-10 14:31:44 user333700

谢谢。你能否确认将数据与自身关联起来，我不需要自己拖延数据？只传递数据作为独立变量和一个常量向量作为因变量。对？ –

在这种情况下，OLS将仅仅贬低数据。像DW或类似的残差然后诊断测试然后可以使用，例如http://www.statsmodels.org/stable/stats.html#module-statsmodels.stats.stattools http://www.statsmodels.org/stable/diagnostic.html#autocorrelation-tests – user333700

谢谢！我还贴出了代码示例。 –

我已经接受user333700的答案，但我想后的代码片段跟进。

这个小程序计算线性范围（应高度相关，因此给出一个接近于0的值）的durbin-watson相关性，然后计算随机值（它们不应该相关，因此给出的值接近于2）：

from statsmodels.regression.linear_model import OLS 
import numpy as np 
from statsmodels.stats.stattools import durbin_watson 



def dw(data): 
    ols_res = OLS(data, np.ones(len(data))).fit() 
    return durbin_watson(ols_res.resid) 


print("dw of range=%f" % dw(np.arange(2000))) 
print("dw of rand=%f" % dw(np.random.randn(2000)))

当运行：

dw of range=0.000003 
dw of rand=2.036162

所以我觉得很好看:)

来源

2017-04-10 21:02:59

一维时间序列数据的Durbin-Watson统计

回答

相关问题