3 search results for "自相关性"

介绍 曼-肯德尔趋势检验，以H.A.曼和D.R.肯德尔命名，是一种非参数检验方法，用于确定趋势是否随时间显著变化。趋势可以是随时间单调增加或单调减少的。由于这是一种非参数检验方法，所以我们不必担心数据的分布。但是数据不应该具有串联相关性/自相关性（时间序列中的误差项从一个时期转移到另一个时期）。 曼-肯德尔检验旨在检测单调趋势，即随时间持续增加或减少的趋势，而不假设数据的特定分布。当处理可能不满足参数检验（如正态性）假设的数据时，它特别有用。 本文是数据科学博客马拉松的一部分。 样本量要求 如果你有非常小的样本，比如3或4个，那么很有可能找不到任何趋势。随着时间的推移，我们拥有的样本越多，测试统计量的可靠性就越高。尽管测试也可以针对非常小的样本进行，但建议的数据量至少为10。 测试目标 在本文中，我们研究了火车出轨事故随时间的相关情况。奥迪沙最近的火车出轨事故再次对铁路安全提出了质疑。铁路事故可以按照事故类型进行分类（例如正面碰撞、尾部碰撞、爆炸、侧面碰撞、出轨、火灾等）。随着时间的推移，铁路在技术和基础设施方面有了许多改进。尽管现代化的进展已经到位，但世界各地的火车事故仍然很常见。火车事故是全球铁路系统中发生的不幸事件。这些事故可能导致生命损失、伤害和财产损失。 在本研究中，我们将确定在印度，随着这些年所做的各种进步，我们是否能够减少火车事故（我们将研究事故类别中的出轨事故）。我们获得的有关印度出轨事故的数据是时间序列数据。我们拥有从2001年到2016年的出轨数据。数据按时间顺序排列。 我们的数据 从上表中，我们可以清楚地看到数据呈下降趋势。自2001年以来，出轨事故的数量大大减少。在2001年，我们有350起与出轨相关的事故，而在2016年减少到65起。由于数据是按顺序排列的，我们可以直接将其输入到Python环境中并进行处理。让我们在Python中绘制一个图来正确地可视化数据。 !pip install seaborn import seaborn as sns import matplotlib.pyplot as plt fig = plt.subplots(figsize=(20,…