这个问题是关于statsmodels.tsa.stattools python库中的Augmented Dickey-Fuller测试实现 - adfuller（）。
原则上，AIC和BIC应该为一组可用模型计算信息标准并获得最佳信息（信息损失最低的那个）。
但他们如何在Augmented Dickey-Fuller的背景下运作？
我没有得到的东西：我设置了maxlag = 30，BIC选择了滞后= 5，但有一些信息标准。我设置了maxlag = 40 - BIC仍然选择滞后= 5但信息标准已经改变了！为什么世界上相同滞后数的信息标准会随着maxlag的变化而变化？
当maxlag从20变为30时，有时这会导致模型选择的变化，当BIC从滞后= 5切换到滞后= 4时，这是没有意义的，因为先前可用滞后= 4。
答案 0 :(得分：1)
当我们在adfulller中请求自动延迟选择时，该函数需要将所有模型与给定的maxlag滞后进行比较。对于这种比较，我们需要对所有模型使用相同的观察结果。由于滞后观测值进入回归矩阵，我们将观测结果作为对应于最大滞后的初始条件。
因此autolag对所有模型使用nobs - maxlags观察。为了计算adfuller本身的测试统计量，我们不再需要模型比较，我们可以使用所有可用于所选滞后的观测值，即nobs - best_lag。
更一般地，如何处理初始条件和不同数量的初始条件并不总是明确的，自相关和部分自相关在很大程度上基于使用所有可用的观察，AR的完整MLE和ARMA模型使用静态模型来包括初始条件，而条件MLE或最小二乘方则根据需要丢弃它们。