当前位置：物联沃-IOTWORD物联网 > 技术教程 > ADF检验：时间序列平稳性检测

代码收藏家技术教程 2025-01-06

ADF检验：时间序列平稳性检测

ADF检验（Augmented Dickey-Fuller Test，增强型迪基-福勒检验）是一种常用于时间序列分析的统计方法，专门用于检测序列是否平稳。平稳性是时间序列分析的重要假设之一，确保了序列的统计性质（如均值和方差）不随时间变化。特别是在经济和金融领域，ADF检验常用于分析股票、汇率、利率等金融数据的稳定性。本节将从实现、原理、方法和总结四个方面对ADF检验进行详细介绍。

1. 实现

在实际应用中，Python的statsmodels库提供了简便的ADF检验工具，能够快速获得序列平稳性的检验结果。以下是一个ADF检验的简单实现：

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

# 假设我们有一个时间序列数据 series
result = adfuller(series)

# 输出检验结果
print("ADF Statistic:", result[0])
print("p-value:", result[1])
print("Critical Values:", result[4])

# 判断平稳性
if result[1] < 0.05:
    print("序列是平稳的")
else:
    print("序列是非平稳的")

该代码中，adfuller()函数直接输出ADF检验的统计量、p值和关键值（Critical Values），可以根据p值或者与关键值比较的结果来判断时间序列是否平稳。

2. 原理

ADF检验的基础是Dickey-Fuller检验（DF检验），其原理是通过检验时间序列的自回归模型中的单位根是否存在来判断平稳性。单位根是指自回归系数为1的情况，若存在单位根，则序列为非平稳序列。

Dickey-Fuller检验的模型可以表示为：

$Y_t = \alpha Y_{t-1} + \epsilon_t$

其中 $\alpha$ 是回归系数。如果 $\alpha = 1$ ，则序列存在单位根，即非平稳。如果 $|\alpha| < 1$ ，则序列是平稳的。

由于实际数据往往存在自相关性，ADF检验在DF检验的基础上引入了滞后项，使其更加适用于实际时间序列数据。

3. 方法

3.1. 检验假设

在ADF检验中，设定了以下两个假设：

原假设（H0）：时间序列存在单位根，即非平稳。

备择假设（H1）：时间序列不存在单位根，即平稳。

若检验结果显著，则拒绝原假设，说明序列是平稳的；反之，则接受原假设，认为序列非平稳。

3.2. 滞后项选择

ADF检验增加滞后项的目的是消除序列的自相关性。常用的信息准则（如AIC或BIC）用于选择最优的滞后阶数。

ADF检验的模型形式如下：

$\Delta Y_t = \alpha + \beta t + \gamma Y_{t-1} + \sum_{i=1}^{p} \delta_i \Delta Y_{t-i} + \epsilon_t$

其中：

$\alpha$ 是截距项；

$\beta t$ 表示时间趋势；

$\gamma$ 是关键参数，用于判断单位根的存在性；

$\delta_i$ 是滞后项系数，p 表示滞后阶数；

$\epsilon_t$ 是白噪声误差项。

3.3. γ参数的估计

要估计 $\gamma$ 的值，可以使用最小二乘法（Ordinary Least Squares, OLS）来对模型进行回归分析。通过对ADF模型的回归，我们可以得到 $\gamma$ 的估计值 $\hat{\gamma}$ 。

在这个过程中，还会得到 $\hat{\gamma}$ 的标准误差，基于此可以计算 t 统计量：

$t_{\gamma} = \frac{\hat{\gamma}}{\text{SE}(\hat{\gamma})}$

其中：

$\hat{\gamma}$ 是对 $\gamma$ 的估计值；

$\text{SE}(\hat{\gamma})$ 是 $\hat{\gamma}$ 的标准误差。

3.4. 临界值和显著性检验

计算出 t 统计量后，将其与特定的临界值进行比较。ADF检验的临界值由模拟计算得出，并取决于样本大小及置信水平（通常取 1%、5%、10% 等常用水平）。

如果 $t_{\gamma}$ 小于临界值（例如在5%的显著性水平上），我们可以拒绝原假设，认为 $\gamma$ 显著小于0，进而认为序列平稳。

如果 $t_{\gamma}$ 大于或接近临界值，则无法拒绝原假设，认为序列存在单位根，即非平稳。

3.5. 直观理解

直观上，可以认为ADF检验通过估计 $\gamma$ 来判断序列是否趋于零值或是围绕某个固定值波动（平稳）。如果 $\gamma < 0$ ，表明随着时间推移，序列的变化会逐渐消失，趋于稳定；反之，如果 $\gamma = 0$ 或接近0，则序列没有这种特性，表现为不稳定的随机游走。

4. 总结

ADF检验是时间序列分析中广泛使用的平稳性检测工具。它通过在自回归模型中增加滞后项来提高对实际序列的适应性。ADF检验的主要优点在于能够有效检测单位根，消除自相关性；但其也有一定局限性，例如对小样本的敏感性，以及对误差项正态分布假设的依赖性。

优缺点分析

优点：

适合处理具有一定自相关性的时间序列数据；

可以有效地检测单位根的存在性。

缺点：

对小样本数据敏感，结果可能不准确；

假设误差项为正态分布，在实际应用中该假设不一定成立。

应用场景

ADF检验在金融、经济学等领域有着广泛的应用，如股票价格、利率、汇率的平稳性分析。通过ADF检验，可以决定序列是否需要差分或其他处理，使得数据满足平稳性的要求。

综上，ADF检验在时间序列分析中的重要性不言而喻，它帮助分析师确定数据的平稳性，为构建有效的时间序列模型奠定基础。在掌握ADF检验后，还可以结合其他平稳性检验方法，如KPSS检验，来获得更准确的分析结果。

作者：chenxiemin

ADF python Python 平稳性时间序列

物联沃分享整理
物联沃-IOTWORD物联网 » ADF检验：时间序列平稳性检测

代码收藏家普通

分享到：

发表回复取消回复