python ADF检验

前言

本文对ADF检验进行研究，python示例代码，不对概念进行分析介绍。

Code

import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import adfuller
import pandas as pd
"""
pip3 install statsmodels
"""

# 数据一、随机数据
# data = np.random.randint(6, 10, 300)

# 数据二、待测数据
data = pd.read_csv("./sample_hushen300.csv", usecols=[1]).values

plt.plot(data)

alpha = 0.05
result = adfuller(data)
print((result))
if result[1] < alpha:  # p_value值大，无法拒接原假设,有可能单位根，需要T检验
    print("stationarity")
else:
    if result[0] < result[4]['5%']:  # 代表t检验的值小于5%,置信度为95%以上，这里还有'1%'和'10%'
        print("stationarity")  # 拒接原假设，无单位根，平稳的
    else:
        print("no_stationarity")  # 无法拒绝原假设，有单位根，不平稳的


"""
第一个是adt检验的结果，简称为T值，表示t统计量。
第二个简称为p值，表示t统计量对应的概率值。
第三个表示延迟。
第四个表示测试的次数。
第五个是配合第一个一起看的，是在99%，95%，90%置信区间下的临界的ADF检验的值。
 
第一点，1%、%5、%10不同程度拒绝原假设的统计值和ADF Test result的比较，
ADF Test result（第一个值）同时小于1%、5%、10%即说明非常好地拒绝该假设。本数据中，adf结果为-8， 小于三个level的统计值
第二点，p值要求小于给定的显著水平，p值要小于0.05，等于0是最好的。本数据中，P-value 为 1e-15,接近0.
p值为0.0229<0.05，说明在5%下显著，即拒绝原假设，是平稳的
"""

总结

• ADF检验的原假设是存在单位根，只要这个统计值是小于1%水平下的数字就可以极显著的拒绝原假设，认为数据平稳。
• 注意，ADF值一般是负的，也有正的，但是它只有小于1%水平下的才能认为是及其显著的拒绝原假设。
• 对于ADF结果在1% 以上 5%以下的结果，也不能说不平稳，关键看检验要求是什么样子的。