adfuller函數(shù)返回值的參數(shù)說明

from statsmodels.tsa.stattools import adfuller

t = adfuller(train['total_redeem_amt'])

返回值為(-5.2350403606036302, 7.4536580061930903e-06, 0, 60, {'1%': -3.5443688564814813, '5%': -2.9110731481481484, '10%': -2.5931902777777776}, 1935.4779504450603)

最近在學(xué)習(xí)用ARIMA模型建模處理預(yù)測數(shù)據(jù)的時候遇到的一個用來評測穩(wěn)定性的函數(shù)，該函數(shù)可以返回一個數(shù)組，包含五個數(shù)據(jù)。

• 第一個是adt檢驗(yàn)的結(jié)果，也就是t統(tǒng)計(jì)量的值。
• 第二個是t統(tǒng)計(jì)量的P值。
• 第三個是計(jì)算過程中用到的延遲階數(shù)。
• 第四個是用于ADF回歸和計(jì)算的觀測值的個數(shù)。
• 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(yàn)的值。如果第一個值比第五個值小證明平穩(wěn)，反正證明不平穩(wěn)。根據(jù)結(jié)果看出來，你的數(shù)據(jù)不平穩(wěn)。
• 至于第六個數(shù)值就不太明白了，網(wǎng)上也沒有查找到相應(yīng)的資料

查看adfuller()函數(shù)的模型擬合系數(shù)

adfuller()函數(shù)的輸入?yún)?shù)中有regresults一項(xiàng)，網(wǎng)上教程中大多數(shù)默認(rèn)設(shè)為False。這個參數(shù)到底有什么用，這里我們研究一下。

adfuller()函數(shù)原型

adfuller()是ADF檢驗(yàn)常用的函數(shù)（還有一個常用函數(shù)為arch.unitroot包中的ADF()函數(shù)），需導(dǎo)入的包為：

import statsmodels.tsa.stattools as ts

其函數(shù)原型為：

t=adfuller(x, maxlag=None, regression='c', autolag='AIC', store=False, regresults=False)

輸入?yún)?shù)：

• x：array_like，1d，要測試的數(shù)據(jù)系列。
• maxlag： 測試中包含的最大延遲，默認(rèn)為12 *（nobs / 100）^ {1/4}。
• regression：{‘c’，‘ct’，‘ctt’，‘nc’}， 包含在回歸中的常量和趨勢順序。‘c’：僅限常量（默認(rèn)值）。 ‘ct’：恒定和趨勢。 ‘ctt’：常數(shù)，線性和二次趨勢。 ‘nc’：沒有恒定，沒有趨勢。
• autolag： {‘AIC’，‘BIC’，‘t-stat’，None}自動確定滯后時使用的方法。如果為None，則使用maxlag滯后。如果是’AIC’（默認(rèn)值）或’BIC’，則選擇滯后數(shù)以最小化相應(yīng)的信息標(biāo)準(zhǔn)。基于’t-stat’的maxlag選擇。從maxlag開始并使用5％大小的測試來降低延遲，直到最后一個滯后長度的t統(tǒng)計(jì)量顯著為止。
• store：bool，如果為True，則另外返回adf統(tǒng)計(jì)信息的結(jié)果實(shí)例。默認(rèn)值為False。
• regresults：bool，optional，如果為True，則返回完整的回歸結(jié)果。默認(rèn)值為False。

返回參數(shù)：

• ADF：float，測試統(tǒng)計(jì)。
• pvalue：float，probability value：MacKinnon基于MacKinnon的近似p值（1994年，2010年）。
• usedlag：int，使用的滯后數(shù)量。
• NOBS：int，用于ADF回歸和計(jì)算臨界值的觀察數(shù)。
• critical values：dict，測試統(tǒng)計(jì)數(shù)據(jù)的臨界值為1％，5％和10％。基于MacKinnon（2010）。
• icbest：float，如果autolag不是None，則最大化信息標(biāo)準(zhǔn)。
• resstore：ResultStore, optional，一個虛擬類，其結(jié)果作為屬性附加。

regresults參數(shù)

adfuller()函數(shù)的其他參數(shù)，網(wǎng)上的各種教程已經(jīng)將的很清楚了。但是對regresults，卻一直諱莫如深，從函數(shù)原型也看的一頭霧水，搞不清楚這個參數(shù)怎么用的。首先通過兩段代碼看看regresults參數(shù)對輸出結(jié)果的影響。

regresults=False:

r=ts.adfuller(data,12,'ctt',regresults=False)
print(r)

輸出結(jié)果：

(-1.6596695973336932, 0.9169218489129718, 0, 230, {'1%': -4.422218041176954, '5%': -3.8583127840881075, '10%': -3.569276584942878}, 1640.0264270221523)

可以看到，依次為t-statistic, p-value, usedlag, nobs, critical-value, AIC這幾個參數(shù)。

regresults=True:

r=ts.adfuller(data,12,'ctt',regresults=True)
print(r)

輸出結(jié)果：

(-1.6596695973336932, 0.9169218489129718, {'1%': -4.422218041176954, '5%': -3.8583127840881075, '10%': -3.569276584942878}, <statsmodels.tsa.stattools.ResultsStore object at 0x000000000F3B2198>)

前面幾項(xiàng)依次為t-statistic, p-value，critical-value，沒有了usedlag, nobs,多出來一個注釋“statsmodels.tsa.stattools.ResultsStore object at 0x000000000F3B2198”，這個注釋貌似是resstore的注釋，但怎么調(diào)用這個參數(shù)呢？

adfuller()函數(shù)原代碼

為了弄清楚這個問題，我們研究一下adfuller()函數(shù)的原代碼。這里進(jìn)行部分截取：

if regresults:
? ? store = True
...
if store:
? ? resstore.resols = resols
? ? resstore.maxlag = maxlag
? ? resstore.usedlag = usedlag
? ? resstore.adfstat = adfstat
? ? resstore.critvalues = critvalues
? ? resstore.nobs = nobs
? ? resstore.H0 = ("The coefficient on the lagged level equals 1 - "
? ? ? ? ? ? ? ? ? ?"unit root")
? ? resstore.HA = "The coefficient on the lagged level < 1 - stationary"
? ? resstore.icbest = icbest
? ? resstore._str = 'Augmented Dickey-Fuller Test Results'
? ? return adfstat, pvalue, critvalues, resstore
else:
? ? if not autolag:
? ? ? ? return adfstat, pvalue, usedlag, nobs, critvalues
? ? else:
? ? ? ? return adfstat, pvalue, usedlag, nobs, critvalues, icbest

可以看出，不同的輸入?yún)?shù)有不同的返回值，當(dāng)regresults=True時，確實(shí)將詳細(xì)的結(jié)果賦給resstore參數(shù)，并作為最后一個參數(shù)返回。這個參數(shù)的子項(xiàng)包括：resols, maxlag, usedlag, adfstat, critvalues, nobs, H0（原假設(shè)描述），HA （備擇假設(shè)描述），icbest ，_str 等。

因此可以得到兩個結(jié)論：

（1）當(dāng)regresults=True時，雖然沒有返回usedlag, nobs參數(shù)，但這些參數(shù)都是存在的，雖然沒有返回，但仍然可以通過resstore進(jìn)行顯示或調(diào)用。

（2）最后一項(xiàng)"statsmodels.tsa.stattools.ResultsStore object at 0x000000000F3B2198"表示計(jì)算過程中resstore參數(shù)的暫存地址（當(dāng)參數(shù)被遺棄時顯示）。

測試：

[t,p,c,r]=ts.adfuller(data,12,'ctt',regresults=True)
print(r.usedlag)
print(r.nobs)

結(jié)果：

0
230

adfuller()的回歸模型系數(shù)

resstore參數(shù)中還有一項(xiàng)resols，這一項(xiàng)是默認(rèn)不返回的。我們繼續(xù)在原代碼中尋找這一項(xiàng)的計(jì)算過程：

? ? ...
? ? if regression != 'nc':
? ? ? ? resols = OLS(xdshort, add_trend(xdall[:, :usedlag + 1],
? ? ? ? ? ? ? ? ? ? ?regression)).fit()
? ? else:
? ? ? ? resols = OLS(xdshort, xdall[:, :usedlag + 1]).fit()
? ? ...

看到了，resols就是最小二乘擬合函數(shù)OLS()的返回結(jié)果。因此，resols所包含的子項(xiàng)可以通過查閱OLS()函數(shù)原型得到，其中必然也包括回歸模型的擬合系數(shù)。

測試：

[t,p,c,r]=ts.adfuller(data,12,'ctt',regresults=True)
print(r.resols.summary())
print(r.resols.params)

結(jié)果：

                            OLS Regression Results                            
==============================================================================
Dep. Variable:                      y   R-squared:                       0.019
Model:                            OLS   Adj. R-squared:                  0.006
Method:                 Least Squares   F-statistic:                     1.430
Date:                Thu, 26 Dec 2019   Prob (F-statistic):              0.235
Time:                        23:15:35   Log-Likelihood:                -858.43
No. Observations:                 230   AIC:                             1725.
Df Residuals:                     226   BIC:                             1739.
Df Model:                           3                                         
Covariance Type:            nonrobust                                         
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
x1            -0.0287      0.017     -1.660      0.098      -0.063       0.005
const         55.6700     32.455      1.715      0.088      -8.283     119.623
x2             0.0209      0.053      0.395      0.693      -0.083       0.125
x3            -0.0002      0.000     -0.785      0.433      -0.001       0.000
==============================================================================
Omnibus:                        8.509   Durbin-Watson:                   1.870
Prob(Omnibus):                  0.014   Jarque-Bera (JB):               11.078
Skew:                           0.274   Prob(JB):                      0.00393
Kurtosis:                       3.925   Cond. No.                     1.15e+06
==============================================================================

Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
[2] The condition number is large, 1.15e+06. This might indicate that there are
strong multicollinearity or other numerical problems.
[-2.86531492e-02  5.56699632e+01  2.08909695e-02 -1.95482480e-04]

可以看出，結(jié)果顯示了OLS擬合的詳細(xì)結(jié)果，可以對ADF檢驗(yàn)中的擬合模型和擬合效果進(jìn)行進(jìn)一步詳細(xì)研究。

結(jié)論

通過對adfuller()函數(shù)源碼的研究，明確了輸入?yún)?shù)regresults的作用和返回參數(shù)resstore的結(jié)構(gòu)組成。通過返回的resstore參數(shù)，可以進(jìn)一步得到ADF檢驗(yàn)中的擬合模型和對應(yīng)參數(shù)，有助于對檢驗(yàn)結(jié)果進(jìn)行更加深入的分析。

以上為個人經(jīng)驗(yàn)，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論