【df检验和adf检验步骤】在时间序列分析中，平稳性是进行建模的重要前提。如果时间序列不平稳，可能会导致模型结果不可靠。因此，我们需要通过一些统计检验方法来判断时间序列是否具有平稳性。其中，DF检验（Dickey-Fuller Test）和ADF检验（Augmented Dickey-Fuller Test）是最常用的两种方法。以下是它们的基本原理及检验步骤的总结。
一、DF检验与ADF检验简介
| 检验名称 | 全称 | 用途 | 特点 |
| DF检验 | Dickey-Fuller Test | 判断时间序列是否具有单位根 | 仅适用于一阶自回归模型 |
| ADF检验 | Augmented Dickey-Fuller Test | 判断时间序列是否具有单位根 | 对模型进行了扩展，可处理高阶自相关 |
二、DF检验步骤
1. 设定假设
- 原假设 $ H_0 $：时间序列存在单位根（非平稳）
- 备择假设 $ H_1 $：时间序列不存在单位根（平稳）
2. 建立模型
DF检验通常用于以下模型：
$$
y_t = \phi y_{t-1} + \varepsilon_t
$$
其中，$ \varepsilon_t $ 是白噪声。
3. 估计模型参数
使用最小二乘法（OLS）对上述模型进行回归，得到 $ \hat{\phi} $ 的估计值。
4. 计算检验统计量
计算统计量 $ t = \frac{\hat{\phi} - 1}{SE(\hat{\phi})} $，其中 $ SE $ 是标准误差。
5. 比较临界值
将计算出的统计量与DF分布表中的临界值进行比较，判断是否拒绝原假设。
6. 得出结论
若统计量小于临界值，则拒绝原假设，认为序列平稳；否则，不能拒绝原假设，认为序列非平稳。
三、ADF检验步骤
1. 设定假设
- 原假设 $ H_0 $：时间序列存在单位根（非平稳）
- 备择假设 $ H_1 $：时间序列不存在单位根（平稳）
2. 建立模型
ADF检验是对DF检验的扩展，可以处理更高阶的自相关，其一般形式为：
$$
\Delta y_t = \alpha + \beta t + \gamma y_{t-1} + \delta_1 \Delta y_{t-1} + \cdots + \delta_p \Delta y_{t-p} + \varepsilon_t
$$
其中，$ \Delta y_t = y_t - y_{t-1} $，$ p $ 是滞后阶数。
3. 选择滞后阶数
可以使用AIC或BIC准则来确定最佳滞后阶数 $ p $。
4. 估计模型参数
使用OLS对上述模型进行回归，得到 $ \hat{\gamma} $ 的估计值。
5. 计算检验统计量
计算统计量 $ t = \frac{\hat{\gamma}}{SE(\hat{\gamma})} $。
6. 比较临界值
将统计量与ADF分布表中的临界值进行比较。
7. 得出结论
若统计量小于临界值，则拒绝原假设，认为序列平稳；否则，不能拒绝原假设，认为序列非平稳。
四、DF与ADF检验的区别总结
| 项目 | DF检验 | ADF检验 |
| 适用模型 | 仅适用于一阶AR模型 | 可处理高阶自相关 |
| 是否考虑趋势项 | 通常不包含 | 可以包含常数项和趋势项 |
| 滞后阶数 | 无滞后项 | 可设置滞后阶数 |
| 灵活性 | 较低 | 更高 |
| 应用场景 | 简单时间序列 | 复杂时间序列 |
五、注意事项
- 在实际操作中，建议使用统计软件（如Python的`statsmodels`库）进行检验，避免手动计算带来的误差。
- ADF检验比DF检验更常用，因为其能更好地处理实际数据中存在的自相关问题。
- 如果序列不平稳，可以通过差分或其他方法使其平稳后再进行建模。
通过以上步骤，可以有效判断时间序列是否平稳，为后续的建模与预测提供基础支持。
