statsmodels.tsa.deterministic.CalendarTimeTrend¶

class statsmodels.tsa.deterministic.CalendarTimeTrend(freq, constant=True, order=0, *, base_period=None)[source]¶

基于日历时间的常数和时间趋势确定项

Parameters:¶

freqstr

一个可转换为 pandas 频率的字符串。

constantbool

指示是否应包含常量的标志。

orderint

一个非负整数，包含要包含的幂次（1, 2, …, 阶数）。

base_period{str, pd.Timestamp}, default None

计算时间戳时要使用的基准周期。此值被视为1，因此所有其他时间索引都被定义为自此时间戳以来的周期数或在此时间戳之前的周期数。如果未提供，则默认为PeriodIndex的pandas基准周期。

Attributes:¶

base_period

基准期

constant

指示包含常量的标志

freq

确定性项的频率

is_dummy

指示生成的值是否为虚拟变量的标志

order

时间趋势的阶数

另请参阅

DeterministicProcess

CalendarFourier

CalendarSeasonality

TimeTrend

注释

时间戳 \(\tau_t\) 是从基准期开始以来已经过去的时间段数。\(\tau_t\) 可以是分数。

示例

在这里，我们模拟了不规则间隔的每小时数据，并为这些数据构建了日历时间趋势项。

>>> import numpy as np
>>> import pandas as pd
>>> base = pd.Timestamp("2020-1-1")
>>> gen = np.random.default_rng()
>>> gaps = np.cumsum(gen.integers(0, 1800, size=1000))
>>> times = [base + pd.Timedelta(gap, unit="s") for gap in gaps]
>>> index = pd.DatetimeIndex(pd.to_datetime(times))

>>> from statsmodels.tsa.deterministic import CalendarTimeTrend
>>> cal_trend_gen = CalendarTimeTrend("D", True, order=1)
>>> cal_trend_gen.in_sample(index)

接下来，我们使用第一个时间戳进行归一化

>>> cal_trend_gen = CalendarTimeTrend("D", True, order=1,
...                                   base_period=index[0])
>>> cal_trend_gen.in_sample(index)

方法

from_string(freq, trend[, base_period])	从字符串描述创建一个时间趋势。
in_sample(index)	生成用于样本内拟合的确定性趋势。
out_of_sample(steps, index[, forecast_index])	为样本外预测生成确定性趋势

属性

base_period	基准期
constant	指示包含常量的标志
freq	确定性项的频率
is_dummy	指示生成的值是否为虚拟变量的标志
order	时间趋势的阶数