python - 一维时间序列数据的Durbin–Watson统计

我正在尝试确定时间序列(例如，一个浮点数列表)是否与自身相关。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统计是否有值(value)。

似乎这种事情应该起作用:

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))

如果运行此命令，则将获得:

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'

似乎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，因此我认为问题是我没有通过另一个时间序列进行比较。也许应该在exog参数中将其传递给OLS？

exog : array-like

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

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

旁注:我不确定“nobs x k”数组的含义。也许x是k的数组？

那我应该在这里做什么？我是否应该两次通过data，
还是自己亲自落后，还是？

谢谢!

最佳答案

OLS是需要y和x(或endg和exog)的回归。在您的情况下，x至少应为常数。 np.ones(len(endog)，1)。

另外，您需要拟合模型，即ols_res = OLS(y, x).fit()。
nobs x k表示二维，行中有nobs观察，列中有k个变量，即exog.shape是(nobs, k)
Durbin Watson是用于序列相关性的检验统计量。它包含在OLS摘要输出中。 statsmodels中还包含其他不存在自相关性的测试。

(我建议您阅读一些示例或教程笔记本。)

关于python - 一维时间序列数据的Durbin–Watson统计，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/43322076/