模型平稳性指标psi和csi

模型平稳性指标psi和csi是用于检验时间序列数据是否平稳的统计量。它们的原理是基于Augmented Dickey-Fuller (ADF)检验，通过计算自相关系数和偏自相关系数来检验时间序列数据的平稳性。

1. psi（Partial Autocorrelation Integrated）： 它是对原始自相关函数进行积分得到的，可以衡量时间序列数据的平稳性。当psi接近于0时，表示数据具有平稳性；当psi大于0时，表示数据具有非平稳性。

2. csi（Cumulative Sums of Squares）： 它是对原始自相关函数的平方进行累加得到的，可以衡量时间序列数据的平稳性。当csi接近于0时，表示数据具有平稳性；当csi大于0时，表示数据具有非平稳性。

应用：在金融、经济学等领域中，经常需要对时间序列数据进行平稳性检验，以确定数据是否符合假设条件，从而选择合适的模型进行建模。

Python代码如下：

import numpy as np
import pandas as pd
from statsmodels.tsa.stattools import adfuller

def calculate_psi(series, lag=1):
    """
    计算PSI值
    :param series: 时间序列数据
    :param lag: 滞后阶数
    :return: PSI值
    """
    series = np.array(series)
    n = len(series)
    mean = np.mean(series)
    var = np.var(series)
    psi = []
    for i in range(lag + 1):
        psi.append((np.sum((series[i:n] - mean) * (series[:n - i] - mean)) / (n * var)))
    return psi

def calculate_csi(series, lag=1):
    """
    计算CSI值
    :param series: 时间序列数据
    :param lag: 滞后阶数
    :return: CSI值
    """
    series = np.array(series)
    n = len(series)
    csi = []
    for i in range(lag + 1):
        csi.append((np.sum((series[i:n] ** 2) - (mean ** 2)) / (n * var)))
    return csi

# 示例数据
data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

# 计算PSI和CSI值
psi_values = calculate_psi(data)
csi_values = calculate_csi(data)

print("PSI值：", psi_values)
print("CSI值：", csi_values)