Math 如何解释adfuller测试结果？

我对统计和编程非常陌生。我已经自学了一点，但我正在努力理解

p值的概念以及adfuller测试的各种其他结果

我正在使用的代码：

（我在stockoverflow上找到了此代码）

输出：

（-1.8481210964862593,0.35684591783869046,01954，{'10%：-2.5675580437891359，'1%：-3.43370102293693235，'5%：-2.863020285222162162}，21029.870846458849）

如果我正确理解测试：
adf：浮动

检验统计量

pvalue:float

基于麦金农的麦金农近似p值（1994年、2010年）

usedlag:int

使用的滞后数

nobs:int

用于ADF回归和临界值计算的观察次数

临界值：dict

在1%、5%和10%水平下的测试统计临界值。基于MacKinnon（2010）

icbest：浮动

如果自滞后不是无，则为最大化信息标准

resstore:ResultStore，可选

我无法完全理解结果，希望有人愿意用外行的语言解释。我发现的所有解释都是非常技术性的

我的解释是：它们是协整的，即我们未能反驳无效假设（即单位根存在）。置信水平是%的数字

我完全错了吗？
很惊讶没有人回答这个问题，但我要说的是，拒绝无效假设的典型方法是，你的t检验结果-1.84小于所有临界值（1%，5%，10%），在这种情况下，它不小于你的临界值

如果有人不同意，请插话。
你在问题中所说的是正确的。一旦对OLS回归残基应用Adfuller检验，就要检查残基是否具有任何异方差性，换句话说，如果残基是静止的

由于你的adfuller p值低于特定的α（即：5%），那么你可能会拒绝零假设（Ho），因为仅仅靠运气（随机机会）获得p值的概率很低

一旦Ho被拒绝，替代假设（Ha）可以被接受，在这种情况下，它将是：剩余序列是平稳的

以下是假设关系：

何：序列不是平稳的，它呈现异方差性。换句话说，您的剩余依赖于自身（即：yt依赖于yt-1，yt-1依赖于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）。再也不需要做什么了

如果你的问题仍然没有解决，请随时联系我。
无效假设：序列中存在非平稳性

替代假设：序列中存在平稳性

Data: (-1.8481210964862593, 0.35684591783869046, 0, 1954, {'10%': -2.5675580437891359, 
'1%': -3.4337010293693235, '5%': -2.863020285222162}, 21029.870846458849)

让我们逐个中断数据

第一个数据点：-1.8481210964862593：您案例中数据的临界值

第二个数据点：0.35684591783869046：无效假设不会被拒绝的概率（p值）

第三个数据点：0：回归中用于确定t统计量的滞后数。所以这里没有回到“0”周期的自相关

第四个数据点：1954：分析中使用的观察值数量

第五个数据点：{'10%'：-2.5675580437891359，'1%'：-3.43370102293693235，'5%'：-2.86302028522216262}:T值对应于adfuller测试

由于临界值-1.8>-2.5、-3.4、-2.8（t值在1%、5%和10%置信区间），不能拒绝无效假设。因此，数据中存在非平稳性

同样，p值为0.35>0.05（如果我们采用5%显著性水平或95%置信区间），则不能拒绝无效假设

因此，数据是非平稳的（这意味着它与时间有关）
Hi，感谢您的响应。这有助于澄清很多问题。我肯定会联系你，因为我似乎不能完全理解这个概念。对不起，可能是误解，如果我错了，请纠正我。但实际上t_值低于临界值，因此我们对单位根检验的可信度很小。序列应该是非平稳的：（i）p_值（0.35）>0.05，和（ii）t_值低于临界值恢复旧桩，但如果测试值低于1%、5%和10%临界值，并且p_值低于5%，是否可能（或正常）获得使用的滞后数为0？
Data: (-1.8481210964862593, 0.35684591783869046, 0, 1954, {'10%': -2.5675580437891359, 
'1%': -3.4337010293693235, '5%': -2.863020285222162}, 21029.870846458849)