python 編寫ADF 檢驗 ，代碼結果參數所表示的含義

from statsmodels.tsa.stattools import adfuller

import numpy as np
import pandas 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'])

# 第一種顯示方式

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

　　dfoutput['Critical Value (%s)' % key] = value

　　print(dfoutput)

# 第二種顯示方式

print(dftest)

 

（1)第一種顯示方式如圖所示：

具體的參數含義以下所示：

Test  Statistic :  T值，表示T統計量

p-value： p值，表示T統計量對應的機率值

Lags Used：表示延遲

Number of Observations Used: 表示測試的次數

Critical Value 1% :  表示t值下小於 - 4.938690 ， 則原假設發生的機率小於1%， 其它的數值以此類推。

其中t值和p值是最重要的，其實這兩個值是等效的，既能夠看t值也能夠看p值。

p值越小越好，要求小於給定的顯著水平，p值小於0.05，等於0最好。

t值，ADF值要小於t值，1%， 5%， 10% 的三個level，都是一個臨界值，若是小於這個臨界值，說明拒絕原假設。

其中，1% ： 嚴格拒絕原假設；  5%： 拒絕原假設； 10% 以此類推，程度愈來愈低。若是，ADF小於1% level， 說明嚴格拒絕原假設。

（2） 第二種表示方式，以下圖所示：

第一個值（0.0）： 表示Test  Statistic ， 即T值，表示T統計量

第二個值（0.958532086060056）：p-value，即p值，表示T統計量對應的機率值

第三個值（7）：Lags Used，即表示延遲

第四個值（7）：Number of Observations Used，即表示測試的次數

大括號中的值，分別表示1%， 5%， 10% 的三個level

查閱了資料，簡單的作的總結經驗。