白噪聲檢驗也稱為純隨機性檢驗， 當數據是純隨機數據時，再對數據進行分析就沒有任何意義了， 所以拿到數據后最好對數據進行一個純隨機性檢驗

acorr_ljungbox(x, lags=None, boxpierce=False) # 數據的純隨機性檢驗函數

lags為延遲期數，如果為整數，則是包含在內的延遲期數，如果是一個列表或數組，那么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:基于卡方分布的p統計量

bpvalue:((optionsal), float or array) ? 基于 Box-Pierce 的檢驗的p統計量

bppvalue:((optional), float or array) ? 基于卡方分布下的Box-Pierce檢驗的p統計量

代碼實現：

from statsmodels.stats.diagnostic import acorr_ljungboxacorr_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，所以該數據無法拒絕原假設，即認為該數據是純隨機數據

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，需要先對數據進行平穩性檢驗，常用的有DF檢驗、ADF檢驗和PP檢驗，文章實例ADF檢驗

注：檢驗的P值是只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 ADFADF(data)

ADF檢驗的原假設是不平穩，這里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_adfunitroot_adf(b.salesVolume)

這里包含了檢驗值、p-value、滯后階數、自由度等信息。我們看到了檢驗統計量為?5.954367776923936，小于1%的臨界值-4.01203360058309,，即p值遠小于0.01，因此我們拒絕原假設，認為該時間序列是平穩的。（這里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，也希望大家多多支持好吧啦網。