Python中实现Simple Dickey-Fuller（简单迪基-富勒）检验的方法咨询

核心结论 #

标准DF检验无需额外找独立的第三方包实现，它本身就是Augmented Dickey-Fuller（ADF）检验的特殊形式，仅需调整ADF检验的传入参数即可得到完全等价的DF检验结果。

具体实现方法（基于statsmodels库） #

你可以直接使用已经在用来做ADF检验的statsmodels.tsa.stattools.adfuller函数，调整两个核心参数即可：

• 设置maxlag=0：ADF检验的扩展项就是序列的滞后差分项，将最大滞后阶数设为0即符合DF检验无滞后差分项的回归设定
• 通过regression参数选择你需要的DF检验形式：
  • 'c'：仅含截距项（最常用的默认DF检验形式）
  • 'n'：无截距、无时间趋势项
  • 'ct'：含截距和时间趋势项
  • 'ctt'：含截距、线性和二次时间趋势项

代码示例 #

import numpy as np
from statsmodels.tsa.stattools import adfuller

# 生成示例时间序列，可替换为你的待检验数据
np.random.seed(42)
test_series = np.random.randn(150).cumsum()

# 执行标准DF检验（仅含截距项版本）
df_test_result = adfuller(test_series, maxlag=0, regression='c')

# 输出检验结果
print(f"DF检验统计量：{df_test_result[0]:.4f}")
print(f"对应p值：{df_test_result[1]:.4f}")
print("各显著性水平临界值：")
for sig_level, crit_val in df_test_result[4].items():
    print(f"  {sig_level}: {crit_val:.4f}")

补充说明 #

如果你的作业要求单独展示DF检验的实现逻辑而非直接调用封装函数，也可以手动基于OLS回归构造DF检验：构造对应设定的回归方程，计算滞后一阶项系数的t统计量，再和DF分布的临界值对比判断是否拒绝原假设即可，手动计算结果和上述调整参数后的ADF输出完全一致。

目前Python常用数据科学库没有单独封装标准DF检验的接口，因为通过调整ADF参数实现的方式足够简便且结果完全等价，无需额外重复开发。

内容的提问来源于stack exchange，提问作者Tes