本文介绍了使用Python的statsmodels库进行ADF（Augmented Dickey-Fuller）检验的过程，展示了两种结果显示方式，并详细解释了检验中的Test Statistic（T值）、p-value、Lags Used（延迟数）和Number of Observations Used（观测次数）的含义。重点强调了p值和T值的重要性，以及如何根据它们判断原假设是否被拒绝。
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
最低0.47元/天 解锁文章
扫一扫
675
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
