python中ADF检验的两个例子

参考链接：http://www.statsmodels.org/devel/generated/statsmodels.tsa.stattools.adfuller.html?highlight=adfuller#statsmodels.tsa.stattools.adfuller
eg1:

x=np.arange(10)
result=sts.adfuller(x,1)
result
(0.9921567416492214, 0.9941824998493046, 1, 8, {‘1%’: -4.6651863281249994, ‘5%’: -3.3671868750000002, ‘10%’: -2.802960625}, -555.5406151390793)

统计检验值：0.9921567416492214
P-value：0.9941824998493046
1阶
8个观察值

P-value不接近0，0.9921567416492214大于1%，5%，10%对应的值，所以接受0假设，即存在单根。

eg2:

y=np.random.randn(10)
y
array([-1.94729963, 0.85636736, 0.03782022, -0.25130062, 1.61544961,
-0.67915008, 1.56610677, -0.34346149, -0.24800365, -0.00417992])

sts.adfuller(y,1)
(-6.66502447998428, 4.74147412937255e-09, 0, 9, {‘1%’: -4.473135048010974, ‘5%’: -3.28988060356653, ‘10%’: -2.7723823456790124}, 19.39805882950528)

P-value为4.74147412937255e-09接近0，检验统计值为-6.66502447998428小于于1%对应的-4.473135048010974，所以拒绝0假设，即不存在单根。

个人分析：
H0:存在单根
H1:不存在单根
这里的1%，5%，10%对应的是99%，95%，90%置信区间。p-value的临界值分别是0.01/2=0.005，0.05/2=0.025，0.1/2=0.05。

感觉对返回值的解读还是迷糊的，既然对P前面值的存在是可以比较的，P值的意义不知在哪里，希望对这部分理解的朋友可以留个言