嗨，我来帮你拆解这个问题——R和Python的ADF检验结果相反，大概率是默认参数差异导致的，先看你提供的R代码可能存在的问题，再讲正确的检验流程。

一、你的R代码可能的潜在问题 #

你给出的代码片段是：

rd <- read.table('Data/TS.csv', sep = ',', header = TRUE)

这里有几个需要确认的点：

• 数据类型是否正确：read.table读取的是data.frame，你后续调用adf.test(rd$某列)时，要确保该列是数值型向量，如果csv里有格式问题（比如日期字符串混在数值列、缺失值用非标准符号），可能导致数据读取错误，影响检验结果。
• 是否踩了默认参数的坑：tseries::adf.test()的默认行为和Python的adfuller()完全不同，这是结果相反的核心原因——我后面会详细说明。
• 有没有规范时间序列结构：如果你的数据是规则时间序列（比如月度、年度），建议转换为ts对象（ts_data <- ts(rd$列名, start = c(2020,1), frequency = 12)），虽然adf.test能处理向量，但规范的时间序列对象能避免隐性问题。

二、为什么R和Python的ADF结果会相反？核心是默认模型不同！ #

这是最常见的原因，两个函数的默认ADF模型形式完全不一样：

• R的tseries::adf.test()：默认拟合包含常数项 + 线性趋势项的ADF模型，备择假设是“趋势平稳”（即数据有确定趋势，但去除趋势后是平稳的）。
• Python的statsmodels.tsa.stattools.adfuller()：默认只拟合常数项的ADF模型，不包含趋势项，备择假设是“平稳（无趋势）”。

举个例子：如果你的数据是趋势平稳的（比如有逐年上升的确定趋势，但残差是平稳的），那么：

• R的adf.test()会拒绝“存在单位根”的原假设，认为数据是趋势平稳的（p<0.05）；
• Python的默认adfuller()因为没加入趋势项，会把趋势误判为单位根的表现，接受原假设（p>0.05），认为数据非平稳。

这完全符合你遇到的情况！

三、R和Python中检验时间序列平稳性的正确流程 #

第一步：数据预处理 #

不管用哪种语言，先把数据搞对：

• 检查数据类型：确保是数值型，无异常值、缺失值（缺失值可以删除或插值处理）；
• 规范时间序列结构：R中用ts对象，Python中用pandas的Series并设置正确的时间索引。

第二步：可视化初步判断 #

先通过图表直观感受：

• 绘制时间序列图：看是否有明显趋势、季节性；
• 绘制ACF/PACF图：如果ACF缓慢衰减，大概率非平稳；如果快速衰减，可能平稳。

第三步：ADF检验的正确姿势（统一参数，避免默认坑） #

要让两个语言的结果一致，必须统一模型形式和滞后阶数：

在R中：

如果你想和Python默认行为对齐（仅常数项模型），不要用tseries::adf.test()，改用更灵活的urca::ur.df()：

library(urca)
# type="drift"对应Python的regression='c'（仅常数项）
# selectlags="AIC"用AIC选择最优滞后阶数，和Python默认一致
df_test <- ur.df(rd$你的列名, type = "drift", selectlags = "AIC")
# 查看检验结果，重点看p值（在"Test Statistic"对应的p-value）
summary(df_test)

如果想和R的adf.test()默认对齐（常数+趋势项），用：

df_test <- ur.df(rd$你的列名, type = "trend", selectlags = "AIC")
summary(df_test)

在Python中：

如果你想和R的adf.test()默认对齐（常数+趋势项），指定regression='ct'：

from statsmodels.tsa.stattools import adfuller
# regression='ct'对应R的adf.test默认模型
result = adfuller(你的数据, regression='ct')
print(f"ADF统计量: {result[0]}")
print(f"p值: {result[1]}")

如果想保持Python默认（仅常数项），但要和R指定滞后阶数对齐（R默认是trunc((n-1)^(1/3))）：

n = len(你的数据)
maxlag = int((n-1)**(1/3))
result = adfuller(你的数据, maxlag=maxlag, autolag=None)

第四步：结合其他检验方法 #

ADF检验不是唯一的，建议结合KPSS检验（原假设是平稳）交叉验证：

• R中用tseries::kpss.test()；
• Python中用statsmodels.tsa.stattools.kpss()。

如果ADF拒绝原假设（平稳）且KPSS接受原假设（平稳），才能更确定数据是平稳的。

内容的提问来源于stack exchange，提问作者Leo