如何解读更全面的测试结果? [英] How to interpret adfuller test results?
本文介绍了如何解读更全面的测试结果?的处理方法,对大家解决问题具有一定的参考价值,需要的朋友们下面随着小编来一起学习吧!
问题描述
我正在努力理解p值的概念和adfuler检验的其他各种结果。
我使用的代码:
(我在堆栈溢出中找到此代码)
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 StudyStock ResearchHist 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)
如果我对测试的理解正确:
值 | |
---|---|
adf:Float | 测试统计 |
pvalue:Float | 基于Mackinnon(1994,2010)的MacKinnon近似p值 |
已使用延迟:int | 使用的LAG数 |
nobs:int | 用于ADF回归的观测值数量和临界值的计算 |
临界值:DICT | 测试统计的1%、5%和10%级别的临界值。基于麦金农(2010) |
ICBEST:FLOAT | 如果autolag不为None,则为最大化信息条件。 |
resstore:ResultStore,可选 |
我不能完全理解结果,希望有人愿意用外行的语言解释一下。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,即我们未能反驳零假设(即单位根存在)。置信度是%数字。
我完全错了吗?
推荐答案
您在问题中的陈述是正确的。一旦你将Adfuller检验应用于你的OLS回归残差,你就是在检查你的残差是否具有任何异方差,换句话说,你的残差是否是静止的。
由于您较成熟的p值低于某个指定的Alpha(即:5%),因此您可以拒绝零假设(Ho),因为仅凭运气(随机机会)获得p值的概率非常低。
一旦HO被拒绝,可以接受替代假设(Ha),在这种情况下将是:残基序列是稳定的。
以下是您的假设关系:
Ho:序列不是平稳的,它呈现出异方差。换句话说,你的残数取决于它本身(即:yt取决于yt-1,yt-1取决于yt-2,依此类推)
Ha:序列是平稳的(这通常是我们在回归分析中所希望的)。不需要再做任何事情。
这篇关于如何解读更全面的测试结果?的文章就介绍到这了,希望我们推荐的答案对大家有所帮助,也希望大家多多支持IT屋!
查看全文