در این مطلب، ویدئو آموزش پایتون: ثابت کردن سری های زمانی با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:03:52
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,530 –> 00:00:03,080
آخرین باری که در مورد روش هایی یاد گرفتیم که در آنها
2
00:00:03,080 –> 00:00:05,680
یک سری زمانی می تواند غیر ساکن و
3
00:00:05,680 –> 00:00:08,769
زیاد باشد، می توانیم آن را با رسم شناسایی کنیم،
4
00:00:08,769 –> 00:00:11,480
اما روش های رسمی تری برای
5
00:00:11,480 –> 00:00:14,179
انجام این کار با
6
00:00:14,179 –> 00:00:17,420
آزمون های آماری وجود دارد، همچنین راه هایی برای تبدیل
7
00:00:17,420 –> 00:00:19,790
سری های زمانی غیر ساکن به سری های
8
00:00:19,790 –> 00:00:22,670
ثابت وجود دارد.
9
00:00:22,670 –> 00:00:24,920
در این درس به هر دوی این موارد بپردازید و سپس آماده خواهید بود
10
00:00:24,920 –> 00:00:28,370
تا شروع به مدلسازی رایجترین
11
00:00:28,370 –> 00:00:30,290
آزمونها برای شناسایی
12
00:00:30,290 –> 00:00:32,450
ثابت نبودن یک سری
13
00:00:32,450 –> 00:00:36,170
14
00:00:36,170 –> 00:00:38,359
15
00:00:38,359 –> 00:00:41,030
زمانی کنید. سری
16
00:00:41,030 –> 00:00:44,780
به دلیل روند ثابت نیست،
17
00:00:44,780 –> 00:00:46,850
میتوانیم
18
00:00:46,850 –> 00:00:49,239
آزمایش دیکی کاملر افزوده را با استفاده از مدلهای آماری اجرا
19
00:00:49,239 –> 00:00:52,399
کنیم، ابتدا تابع add filler را
20
00:00:52,399 –> 00:00:55,850
همانطور که نشان داده شده است وارد میکنیم سپس میتوانیم آن را روی سری زمانی خود اجرا کنیم.
21
00:00:55,850 –> 00:01:00,589
22
00:01:00,589 –> 00:01:03,220
در
23
00:01:03,220 –> 00:01:08,360
این حالت منهای 1.3 است زیرا هرچه
24
00:01:08,360 –> 00:01:10,909
این عدد منفی تر باشد احتمال
25
00:01:10,909 –> 00:01:14,420
ثابت بودن داده ها بیشتر است و مورد بعدی
26
00:01:14,420 –> 00:01:16,820
در کلش نتیجه آزمون است.
27
00:01:16,820 –> 00:01:20,060
p-value در اینجا 0.6
28
00:01:20,060 –> 00:01:24,920
است اگر مقدار p کوچکتر از 0.05
29
00:01:24,920 –> 00:01:27,289
باشد، فرض صفر را رد می کنیم و فرض
30
00:01:27,289 –> 00:01:30,100
می کنیم که سری زمانی ما باید ثابت باشد
31
00:01:30,100 –> 00:01:32,810
آخرین مورد در تاپل یک
32
00:01:32,810 –> 00:01:35,450
فرهنگ لغت است که
33
00:01:35,450 –> 00:01:37,520
مقادیر بحرانی آمار آزمون را ذخیره می کند که
34
00:01:37,520 –> 00:01:40,520
معادل است. به pvalue x’ متفاوت در این
35
00:01:40,520 –> 00:01:43,819
مورد اگر میخواهیم p-value 0.05 یا
36
00:01:43,819 –> 00:01:46,850
کمتر از آمار آزمون ما
37
00:01:46,850 –> 00:01:50,480
زیر منهای 2.9 یک باشد،
38
00:01:50,480 –> 00:01:52,550
فعلاً بقیه موارد تاپل را نادیده میگیریم
39
00:01:52,550 –> 00:01:54,740
، اما میتوانید
40
00:01:54,740 –> 00:01:57,650
در اینجا اطلاعات بیشتری در مورد آنها بیابید به یاد داشته باشید. که
41
00:01:57,650 –> 00:01:59,720
همیشه ارزش ترسیم سری های زمانی
42
00:01:59,720 –> 00:02:02,530
و همچنین انجام تست های آ