python单位根检验看结果_python 编写ADF 检验 ，代码结果参数所表示的含义

from statsmodels.tsa.stattools importadfullerimportnumpy as npimportpandas as pd

adf_seq= np.array([1,2,3,4,5,7,5,1,54,3,6,87,45,14,24])

dftest= adfuller(adf_seq,autolag='AIC')

dfoutput= pd.Series(dftest[0:4],index=['Test Statistic','p-value','#Lags Used','Number of Observations Used'])#第一种显示方式

for key,value in dftest[4].items():

dfoutput['Critical Value (%s)' % key] =valueprint(dfoutput)#第二种显示方式

print(dftest)

(1)第一种显示方式如图所示：

具体的参数含义如下所示：

Test  Statistic :  T值，表示T统计量

p-value： p值，表示T统计量对应的概率值

Lags Used：表示延迟

Number of Observations Used: 表示测试的次数

Critical Value 1% :  表示t值下小于 - 4.938690 ， 则原假设发生的概率小于1%， 其它的数值以此类推。

其中t值和p值是最重要的，其实这两个值是等效的，既可以看t值也可以看p值。

p值越小越好，要求小于给定的显著水平，p值小于0.05，等于0最好。

t值，ADF值要小于t值，1%， 5%， 10% 的三个level，都是一个临界值，如果小于这个临界值，说明拒绝原假设。

其中，1% ： 严格拒绝原假设；  5%： 拒绝原假设； 10% 以此类推，程度越来越低。如果，ADF小于1% level， 说明严格拒绝原假设。

(2) 第二种表示方式，如下图所示：

第一个值(0.0)： 表示Test  Statistic ， 即T值，表示T统计量

第二个值(0.958532086060056)：p-value，即p值，表示T统计量对应的概率值

第三个值(7)：Lags Used，即表示延迟

第四个值(7)：Number of Observations Used，即表示测试的次数

大括号中的值，分别表示1%， 5%， 10% 的三个level

查阅了资料，简单的做的总结经验。