Question

我对统计和编程很陌生。我已经自学了一点，但我正在努力理解p-value的概念以及adfuller测试的各种其他结果。

我正在使用的代码：

（我在stockoverflow上找到了这个代码）

import numpy as np
import os
import pandas as pd
import statsmodels.api as sm
import cython

import statsmodels.tsa.stattools as ts




loc = r"C:\Stock Study\Stock Research\Hist Data"
os.chdir(loc)
xl_file1 = pd.ExcelFile("HDFCBANK.xlsx")
xl_file2 = pd.ExcelFile("KOTAKBANK.xlsx")
y1 = xl_file1.parse("Sheet1")
x1 = xl_file2.parse("Sheet1")

x = x1['Close']
y = y1['Close']


def cointegration_test(y, x):
    # Step 1: regress on variable on the other
    ols_result = sm.OLS(y, x).fit()
    # Step 2: obtain the residual (ols_resuld.resid)
    # Step 3: apply Augmented Dickey-Fuller test to see whether
    #        the residual is unit root
    return ts.adfuller(ols_result.resid)

输出：

（ - 1.8481210964862593,0.35684591783869046,0,1954，{＆＃39; 10％＆＃39;：-2.5675580437891359，＆＃39; 1％＆＃39;：-3.4337010293693235，＆＃39; 5％＆＃ 39;：-2.863020285222162}，21029.870846458849）

如果我正确理解了测试： adf：float

测试统计

pvalue：float

MacKinnon基于MacKinnon的近似p值（1994年，2010年）

usedlag：int

使用的滞后数

nobs：int

用于ADF回归和计算临界值的观测数量

关键值：dict

1％，5％和10％水平的检验统计量的临界值。基于MacKinnon（2010）

icbest：float

如果autolag不是None，则最大化信息标准。

resstore：ResultStore，可选

我无法完全理解结果，并希望有人愿意用外行的语言来解释它们。我发现的所有解释都非常技术性。

我的解释是：它们是协整的，即我们没有反驳零假设（即存在单位根）。置信水平是％数。

我完全错了吗？

Answer 1

无效假设：序列中存在非平稳性。

替代假设：系列中存在平稳性

Data: (-1.8481210964862593, 0.35684591783869046, 0, 1954, {'10%': -2.5675580437891359, 
'1%': -3.4337010293693235, '5%': -2.863020285222162}, 21029.870846458849)

让数据一一中断。

第一个数据点：-1.8481210964862593：您所用数据的临界值

第二个数据点：：0.35684591783869046：原假设不会被拒绝的概率（p值）

第三数据点：：0：用于确定t统计量的回归的滞后次数。因此，这里没有自动相关可以追溯到“ 0”期。

第四个数据点：：1954年：分析中使用的观察数。

第五个数据点：：{'10％'：-2.5675580437891359，'1％'：-3.4337010293693235，'5％'：-2.863020285222162}：与adfuller检验对应的T值。

由于临界值-1.8> -2.5，-3.4，-2.8（t值位于1％，5％和10％置信区间），因此不能拒绝原假设。因此，您的数据没有固定性

p值也为0.35> 0.05（如果采用5％的显着性水平或95％的置信区间），则不能拒绝原假设。

因此数据不是固定的（这意味着它与时间有关）

Answer 2

很惊讶没有人回答这个问题，但是我要说，拒绝原假设的典型方法是，您的t检验结果-1.84小于所有临界值（1％，5％，10％），在这种情况下，它不小于您的临界值。

如果有人不同意，请鸣叫。

Answer 3

您在问题中所说的是正确的。在对OLS回归残差进行Adfuller检验后，您将检查残差是否具有异方差性，换句话说，如果残差是固定的。

由于您的充实p值低于某个指定的alpha值（即5％），因此您可能会拒绝原假设（Ho），因为仅靠运气就可以使p值低（随机机会）的可能性很小。

一旦Ho被拒绝，可以接受替代假设（Ha），在这种情况下，假设是：残基序列是固定的。

这是您的假设关系：

Ho：该序列不是平稳的，呈现出异方差性。换句话说，您的残基取决于自身（即：yt取决于yt-1，yt-1取决于yt-2 ...，依此类推）

Ha：该序列是平稳的（这通常是我们在回归分析中所需要的）。不需要做任何其他事情。

如果您的问题仍然没有解决，请随时与我联系。

此致

如何解读adfuller测试结果？

3 个答案: