如何解读adfuller测试结果？

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stackoverflow上找到了这段代码）

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, {'10%': -2.5675580437891359, '1%': -3.4337010293693235, '5%': -2.863020285222162}, 21029.870846458849)

如果我正确理解了测试：adf：float

测试统计

p值：浮点数

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

usedlag：int

使用的滞后数量

nobs：int

用于ADF回归的观察数和临界值的计算

关键值：dict

测试统计数据的临界值为1％，5％和10％。基于MacKinnon（2010）

icbest：漂浮

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

你在问题中说的是正确的。一旦您对您的OLS回归残留物应用Adfuller测试，您就会检查您的残留物是否具有任何异方差性，换句话说，如果您的残留物是静止的。

由于您的adfuller p值低于某个指定的alpha值（即：5％），那么您可以拒绝原假设（Ho），因为获得p值的概率低于单纯运气（随机机会） ）是不太可能的。

一旦Ho被拒绝，可以接受替代假设（Ha），在这种情况下将是：残差序列是静止的。

以下是您的假设关系：

何：这个系列不是静止的，它呈现出异方差性。换句话说，你的残留取决于它自己（即：yt取决于yt-1，yt-1取决于yt-2 ......，依此类推）

哈：这个系列是静止的（这通常是我们在回归分析中所希望的）。没有什么需要做的。

如果您的问题仍然没有解决，请不要犹豫与我联系。

此致

Answer 2

相当惊讶，没有人回答这个，但我会说拒绝零假设的典型方法是你的t检验结果-1.84小于所有临界值（1％，5％，10％）这种情况下，它不低于你的临界值。

如果有人不同意，请加入。