ADF与KPSS检验结果解读：1204长度时间序列平稳性判断

一、KPSS检验结果解读 #

你的KPSS检验输出：

KPSS Statistic: 0.5599265678349569
p-value: 0.028169691929063764
Critial Values:
10% : 0.347
5% : 0.463
2.5% : 0.574
1% : 0.739

KPSS检验核心逻辑：原假设为序列平稳，备择假设为序列非平稳。

• 你的p值（0.028）小于0.05显著性水平，因此拒绝原假设，判定序列在水平平稳假设下非平稳。
• 同时，KPSS统计量（0.5599）接近2.5%临界值（0.574），也支持在2.5%显著性水平下拒绝平稳假设。

二、ADF检验结果解读 #

你的ADF检验输出：

Results of Dickey-Fuller Test:
ADF Statistic: -34.90080897499817
n_lags: 0.0
p-value: 0.0
Critial Values:
   1%, -3.43580201334162
Critial Values:
   5%, -2.8639475292642795
Critial Values:
   10%, -2.5680518110968684

ADF检验核心逻辑：原假设为序列存在单位根（非平稳），备择假设为序列平稳。

• 你的p值（0.0）远小于0.05，因此拒绝原假设，判定序列平稳。
• ADF统计量（-34.9）远小于1%临界值（-3.435），同样支持在1%显著性水平下拒绝单位根假设，确认序列平稳。

三、检验结果矛盾的原因与代码问题 #

1. 代码中的明显错误 #

你的ADF代码存在输出错误：

print(f'n_lags: {result[1]}')

result[1]对应的是ADF检验的p值，滞后阶数应该是result[2]，这会导致你误读滞后阶数信息，修正后才能正确参考检验的滞后选择合理性。

2. 检验假设的差异 #

两个检验结果矛盾的常见原因是序列属于趋势平稳而非水平平稳：

• KPSS默认参数regression='c'是检验水平平稳（序列均值、方差恒定），如果序列存在趋势，KPSS会拒绝平稳假设。
• ADF默认参数regression='c'是检验无趋势的平稳性，但对于趋势平稳的序列，ADF检验仍可能拒绝单位根假设，误判为平稳。

四、代码修正与优化建议 #

修正后的ADF检验代码 #

import pandas as pd
from statsmodels.tsa.stattools import adfuller

series = pd.read_csv("C:/Users/28.csv") #, header=0, index_col=0)     
result = adfuller(series, autolag='AIC')
print(f'ADF Statistic: {result[0]}')
print(f'n_lags: {result[2]}')  # 修正为result[2]，对应滞后阶数
print(f'p-value: {result[1]}')
for key, value in result[4].items():
    print(f'Critical Values {key}: {value}') 

优化后的KPSS检验代码（同时检验水平/趋势平稳） #

from statsmodels.tsa.stattools import kpss   
import pandas as pd

data = pd.read_csv("C:/Users/28.txt")  

def kpss_test(data, regression='c'):    
    statistic, p_value, n_lags, critical_values = kpss(data, regression=regression)
    print(f'KPSS Test (假设：{"水平平稳" if regression=="c" else "趋势平稳"}):')
    print(f'KPSS Statistic: {statistic}')
    print(f'p-value: {p_value}')
    print(f'滞后阶数: {n_lags}')
    print('临界值:')
    for key, value in critical_values.items():
        print(f'   {key} : {value}')
    print(f'结论：序列{"不" if p_value < 0.05 else ""}符合当前假设的平稳性\n')

# 检验水平平稳
kpss_test(data, regression='c')
# 检验趋势平稳
kpss_test(data, regression='ct')

五、后续分析建议 #

1. 运行修正后的代码，查看KPSS趋势平稳检验的结果：如果regression='ct'时p值>0.05，说明序列是趋势平稳，这就能解释两个检验的矛盾结论。
2. 绘制序列的时序图、自相关图（ACF）、偏自相关图（PACF），直观观察序列的均值、方差是否随时间变化，辅助判断平稳性类型。
3. 如果确认是趋势平稳，可以选择对序列去趋势后再建模，或者使用允许趋势项的时间序列模型（如带趋势的ARIMA）。

内容的提问来源于stack exchange，提问作者lena