python 编写ADF 检验 ，代码结果参数所表示的含义

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'])

# 第一种显示方式

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

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

　　print(dfoutput)

# 第二种显示方式

print(dftest)

 

（1)第一种显示方式如图所示：

具体的参数含义以下所示：

Test  Statistic :  T值，表示T统计量

p-value： p值，表示T统计量对应的几率值

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 ， 则原假设发生的几率小于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，既能够看t值也能够看p值。

p值越小越好，要求小于给定的显著水平，p值小于0.05，等于0最好。

t值，ADF值要小于t值，1%， 5%， 10% 的三个level，都是一个临界值，若是小于这个临界值，说明拒绝原假设。

其中，1% ： 严格拒绝原假设；  5%： 拒绝原假设； 10% 以此类推，程度愈来愈低。若是，ADF小于1% level， 说明严格拒绝原假设。

（2） 第二种表示方式，以下图所示：

第一个值（0.0）： 表示Test  Statistic ， 即T值，表示T统计量

第二个值（0.958532086060056）：p-value，即p值，表示T统计量对应的几率值

第三个值（7）：Lags Used，即表示延迟

第四个值（7）：Number of Observations Used，即表示测试的次数

大括号中的值，分别表示1%， 5%， 10% 的三个level

查阅了资料，简单的作的总结经验。