Python 您如何对“a”进行趋势分析；“预白”；时间序列？

我想使用迭代方案在Python中“预白”一个时间序列。我知道使用R可能更容易。我不想使用LMS方法，而是想使用泰尔森估值器。我正在使用Wang和Swail（2000）中所述的方法

我们拟合以下模型：Yt=a+bt+Xt，其中a和b是Yt的截距和斜率参数，Xt是滞后1自相关的红噪声过程c:Xt=cXt-1+et

（1） 计算时间序列Yt的滞后1自相关，c作为c的第一个估计。如果c<0.05，则序列相关性的影响可忽略不计。回归参数按原样使用

（2） 否则，对预白化的时间序列Wt=（Yt-cYt-1）/（1-c）执行泰尔森估计

如何用Python编写第（2）部分

（3） 从原始数据系列中删除估计的趋势成分，并重新估计c。换句话说，我们对c的新估计是时间序列Yt-bt的滞后1自相关

---

（4） 继续进行迭代，直到c你的问题是什么？你如何对“预白化”时间序列（即Wt=（Yt-cYt-1）/（1-c））进行趋势分析

from sklearn.linear_model import LinearRegression, TheilSenRegressor
from sklearn.linear_model import RANSACRegressor
from statsmodels.tsa import stattools

x = df['ordinal'].values         
y = df[variable].values

res = stats.theilslopes(y, x, 0.95)

a = res[1]
b = res[0]

autocorr = stattools.acf(y)
autocorr_coeff = autocorr[1]
c = autocorr_coeff

if c < 0.05:
    #perform trend analysis on Wt = (Yt - cYt-1)/(1-c)
    (Yt - cYt-1)/(1-c) = a + c*b/(1-c) + b*t + et/(1-c)
    res = stats.theilslopes(-, -, 0.95)