Python卡方检验,python T检验

　　本文的目的是：1 .制作arima模型时，需要对模型拟合后的残差Q统计量进行检验，但不会看结果；

　　2.你会看结果，但是你有没有发现什么疑点：为什么在模型中直接选择残差检验中的Q统计量检验得到的结果和选择残差数据进行序列相关性检验得到的结果差别很大？

　　如果你有这种疑问，请看下文：

　　我本科做ARIMA模型的时候，发现序列相关性检验中残差和残油的Q统计量互不相同，很纠结。今天又做了一遍，不想再把这个问题放下，就查资料解决了。说到这个问题，让我从头说起：

　　什么是Q统计检验：L Jung-box检验可以定义如下：h0:数据是独立分布的(即样本所在人群的相关性为0，因此数据中任何观察到的相关性都来自于抽样过程的随机性)。Ha:数据不是独立分布的。测试统计数据为：

　　统计的

　　其中n是样本大小，

　　是滞后k处的样本自相关，h是被测试的滞后数。对于显著性水平，拒绝随机性假设的临界区域是\chi_{1-\alpha,h}^2#10；src= http://upload . wikimedia . org/math/f/9/3/f 934 e 8 FDE 5b 44 af 530 D2 e 75 c 233 cf 92 . png

　　在哪里

　　是具有h个自由度的2分布的分位数。

　　Ljung-Box检验常用于ARIMA模型。请注意，它适用于拟合的ARIMA模型的残差，而不是原始序列，在这种应用中，实际测试的假设是ARIMA模型的残差没有自相关。在检验ARIMA模型时，没有根据ARIMA模型的结构对检验统计量或检验的临界区域进行调整。

　　http://en.wikipedia.org/wiki/Ljung-Box_test

　　以上段落来自维基百科，解释了两个问题：

　　q用他原来的假装备选择假设。原始假设在数据收集时是相互独立分布的，残差独立时是白噪声。因此，如果P很小，就意味着原始假设被拒绝，残差被认为是相关的。那么，你的变量还没有完全从残差中提取信息，说明模型不好，需要重新选择。

　　测试的是模型的q统计量，而不是原始数据的q统计量，因为模型是测试的，不是根据模型结构调整的。所以有时候你回去用resid做自相关测试，会发现结果和这里完全不一样。小心点。至于为什么eviews，我会继续查资料解决。

　　PS:

　　我在做arma的时候，Q统计量检验总是失败，但是P总是很小，残差项是有关系的。无论如何改变顺序，都很难解决问题。(这个问题很多人应该都遇到过。)今天我试着分析了一下季节趋势。的确，这种情况经常发生在日常数据上。我今天做的股价模型是因为数据量大，画完图后很难发现季节趋势。加了5天的季节趋势后，Q检验通过的很好。但是，这只是一个笼统的话题，实际问题还需要讨论。

　　学习中，欢迎专家指出错误，共同交流。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。