ADF检验(statsmodels.tsa.stattools.adfuller())

statsmodels.tsa.stattools.adfuller():迪基-福勒检验Augmented Dickey-Fuller(ADF) Test

格式:

statsmodels.tsa.stattools.adfuller(x, maxlag=None, regression=‘c’, autolag=‘AIC’, store=False, regresults=False)

参数:

① x :要测试的数据系列。
②maxlag:int;测试中包含的最大延迟,默认为12 *(nobs / 100)^ {1/4}。
③regression:{‘c’,‘ct’,‘ctt’,‘nc’};包含在回归中的常量和趋势顺序。
‘c’:仅限常量(默认值)。
‘ct’:恒定和趋势。
‘ctt’:常数,线性和二次趋势。
‘nc’:没有恒定,没有趋势。
④autolag: {‘AIC’,‘BIC’,‘t-stat’,None};自动确定滞后时使用的方法。
如果为None,则使用maxlag滞后。
如果是’AIC’(默认值)或’BIC’,则选择滞后数以最小化相应的信息标准。
基于’t-stat’的maxlag选择。从maxlag开始并使用5%大小的测试来降低延迟,直到最后一个滞后长度的t统计量显着为止。
⑤store:bool;如果为True,则另外返回adf统计信息的结果实例。默认值为False。
⑥regolults:bool,optional;如果为True,则返回完整的回归结果。默认值为False。

返回值:

①ADF:float;测试统计(检验的结果,也就是统计量的值)。
②pvalue:float;probability value(统计量的概率P值)。
③usedlag:int;使用的滞后数量(计算过程中用到的延迟阶数)。
④NOBS:int;用于ADF回归和计算临界值的观察数(用于ADF回归和计算的观测值的个数)。
⑤critical values:dict;测试统计数据的临界值为1%,5%和10%(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。)。
⑥icbest:float;如果autolag不是None,则最大化信息标准。
⑦resstore:ResultStore, optional; 一个虚拟类,其结果作为属性附加。

参考文献:

  • https://blog.csdn.net/qq_36707798/article/details/88640684

  • https://blog.csdn.net/orDream/article/details/100038076?spm=1001.2101.3001.6650.3&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-3.pc_relevant_antiscanv2&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-3.pc_relevant_antiscanv2&utm_relevant_index=5

  • https://blog.csdn.net/The_Time_Runner/article/details/89969173

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
如果你不想使用`statsmodels.tsa.stattools.adfuller`进行adf检验,你可以使用其他的Python库来实现它。这里提供两种方法: 方法一:使用PyFlux库 PyFlux是一个Python库,可以用于时间序列分析和建模。它提供了一个函数`adf()`,可以用于计算ADF检验的结果。 首先,你需要安装PyFlux库: ``` !pip install pyflux ``` 然后,你可以使用以下代码实现ADF检验: ```python import pyflux as pf import numpy as np def adf_test(x): model = pf.ARIMA(x=x, ar=1, integ=1, ma=0, target='difference') results = model.fit() return (results.summary(), results.z_values) ``` 在这个函数中,`x`是输入的时间序列数据,`ar`、`integ`和`ma`是ARIMA模型的参数,`target`指定要进行差分的目标变量。`results.summary()`返回ADF检验的统计结果,`results.z_values`返回ADF检验的统计值。 方法二:使用NumPy库 NumPy库提供了一个函数`polyfit()`,可以用于拟合多项式。通过拟合一个一次多项式,可以计算ADF检验的结果。 以下是实现ADF检验的代码: ```python import numpy as np def adf_test(x): n = len(x) t = np.arange(n) poly = np.polyfit(t, x, 1) slope = poly[0] adf = slope / np.std(x) return adf ``` 在这个函数中,`x`是输入的时间序列数据,`np.polyfit()`用于拟合一个一次多项式,`slope`是拟合结果的斜率,`np.std(x)`是时间序列数据的标准差。`adf`是ADF检验的统计值。 以上两种方法都可以用于实现ADF检验。你可以根据自己的需要选择其中一种方法。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值