如何解读更全面的测试结果？ [英] How to interpret adfuller test results?

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！