如下所示：

from statsmodels.tsa.stattools import adfuller

print(adfuller(data))

(-8.14089819118415, 1.028868757881713e-12, 8, 442, {’1%’: -3.445231637930579, ’5%’: -2.8681012763264233, ’10%’: -2.5702649212751583}, -797.2906467666614)

第一個是adt檢驗的結果，簡稱為T值，表示t統(tǒng)計量。

第二個簡稱為p值，表示t統(tǒng)計量對應的概率值。

第三個表示延遲。

第四個表示測試的次數。

第五個是配合第一個一起看的，是在99%，95%，90%置信區(qū)間下的臨界的ADF檢驗的值。

第一點，1%、%5、%10不同程度拒絕原假設的統(tǒng)計值和ADF Test result的比較，ADF Test result同時小于1%、5%、10%即說明非常好地拒絕該假設。本數據中，adf結果為-8， 小于三個level的統(tǒng)計值

第二點，p值要求小于給定的顯著水平，p值要小于0.05，等于0是最好的。本數據中，P-value 為 1e-15,接近0.

ADF檢驗的原假設是存在單位根，只要這個統(tǒng)計值是小于1%水平下的數字就可以極顯著的拒絕原假設，認為數據平穩(wěn)。注意，ADF值一般是負的，也有正的，但是它只有小于1%水平下的才能認為是及其顯著的拒絕原假設。

對于ADF結果在1% 以上 5%以下的結果，也不能說不平穩(wěn)，關鍵看檢驗要求是什么樣子的。

補充知識：python 編寫ADF 檢驗 ，代碼結果參數所表示的含義

我就廢話不多說了，大家還是直接看代碼吧！

from statsmodels.tsa.stattools import adfullerimport numpy as npimport pandas as pdadf_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’])# 第一種顯示方式for key,value in dftest[4].items():dfoutput[’Critical Value (%s)’ % key] = valueprint(dfoutput)# 第二種顯示方式print(dftest)

（1）第一種顯示方式如圖所示：

具體的參數含義如下所示：

Test Statistic : T值，表示T統(tǒng)計量

p-value： p值，表示T統(tǒng)計量對應的概率值

Lags Used：表示延遲

Number of Observations Used: 表示測試的次數

Critical Value 1% : 表示t值下小于 - 4.938690 ， 則原假設發(fā)生的概率小于1%， 其它的數值以此類推。

其中t值和p值是最重要的，其實這兩個值是等效的，既可以看t值也可以看p值。

p值越小越好，要求小于給定的顯著水平，p值小于0.05，等于0最好。

t值，ADF值要小于t值，1%， 5%， 10% 的三個level，都是一個臨界值，如果小于這個臨界值，說明拒絕原假設。

其中，1% ： 嚴格拒絕原假設； 5%： 拒絕原假設； 10% 以此類推，程度越來越低。如果，ADF小于1% level， 說明嚴格拒絕原假設。

（2）第二種表示方式，如下圖所示：

第一個值（0.0）： 表示Test Statistic ， 即T值，表示T統(tǒng)計量

第二個值（0.958532086060056）：p-value，即p值，表示T統(tǒng)計量對應的概率值

第三個值（7）：Lags Used，即表示延遲

第四個值（7）：Number of Observations Used，即表示測試的次數

大括號中的值，分別表示1%， 5%， 10% 的三個level

查閱了資料，簡單的做的總結經驗。

以上這篇Python ADF 單位根檢驗 如何查看結果的實現(xiàn)就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持好吧啦網。