Na análise de séries temporais, estacionariedade refere-se a uma característica de um processo estocástico onde as propriedades estatísticas do processo não mudam ao longo do tempo. A média, a variância e a estrutura de autocorrelação do processo permanecem constantes.

Exemplo de dados estacionários:

E dados não estacionários:

Por que essa funcionalidade é importante para nós?

Sua presença é um critério na seleção de modelos que você pode usar para prever os dados. Se os dados são estacionários, é possível usar diversos modelos (Regressão Autoregressiva, Média Móvel, Regressão Linear, etc.). Por outro lado, não existem modelos universais para prever processos não estacionários: algumas séries temporais não estacionárias podem ser convertidas em estacionárias por meio de manipulações matemáticas (modelo ARIMA); outras séries temporais não estacionárias podem ser previstas utilizando tipos especiais de redes neurais.

Vamos proceder à verificação dos dados quanto à estacionaridade. Isso pode ser feito utilizando testes estatísticos chamados "Testes de Raiz Unitária". Existem testes como:

• Teste de Dickey-Fuller Aumentado;
• Kwiatkowski-Phillips-Schmidt-Shin;
• Teste de Philips Perron.

Na maioria das vezes, utilizaremos o teste de Dickey-Fuller Aumentado (ADF), mas você pode levar em conta os resultados de outros testes.

Utilizando a biblioteca statsmodel, vamos determinar se os dados são estacionários. Isso é feito em poucas linhas de código:

Como podemos interpretar os resultados obtidos?

A hipótese nula deste teste é que a série temporal é não-estacionária. Se o valor-p for inferior a um determinado nível (por exemplo, 0,05), podemos rejeitar a hipótese nula e concluir que a série temporal é estacionária.

Vamos observar o valor-p acima. Ele é igual a 1,0, o que significa que não podemos rejeitar a hipótese nula e nossos dados são não-estacionários. A hipótese nula seria falsa se o valor-p fosse menor que 0,05.