Python statsmodels adfuller（）中使用的回归方法？

adfuller（）

中使用的回归方法是什么？我正在对一个时间序列执行一个增强的dickey fuller测试，我正在尝试两种不同的方法

首先，我使用

pandas.diff（）

获取价格的变化

dy

。然后，我将原始时间序列作为自变量

y

和

dy

作为因变量传递到

statsmodels.OLS（dy，y）

中，并得到结果。然后，我提取斜率参数

model.params[1]

和斜率参数

model.bse[1]

的标准误差。这些项的商就是我调用的Dickey Fuller检验统计量

DF=model.params[1]/model.bse[1]

其次，我将单数时间价格序列传递到

adfuller（）

，如下所示：

adfstat, pvalue, critvalues, resstore = ts.adfuller(y.y,regression='c',store=True,regresults=True)

现在，为了得到Dickey Fuller检验统计数据，我只需通过

DF=resstore.t值[1]

使用OLS，我得到：

DF = -1.81495580198

使用adfuller（）：

我想知道这两种方法的区别是什么？adfuller（）是否在内部执行与OLS不同的线性回归？根据我从一本书中得到的例子，我观察到OLS的结果无可否认是正确的。但是我更喜欢使用adfuller（），因为它提供了测试统计的临界值，作为输出的一部分。此外，adfuller（）结果似乎有许多回归系数：

---

我通过得到回归线的斜率来确定均值回归的半衰期。这里看来，

adfuller（）

正在计算20阶回归？这似乎不对。也许我做错了？有人能解释一下adfuller（）吗？

这可以通过在adfuller（）的输入中设置maxlag=1来解决

DF = -1.56386414181

print resstore.resols.params ==> 
[-0.00491391  0.02366782 -0.00295179  0.01354619  0.06399901 -0.06018851
 -0.00328142 -0.03876784  0.02934003 -0.10224276  0.00227549  0.01042279
 -0.04627873  0.05503934 -0.02707106  0.02664511 -0.02428741  0.04894767
 -0.06206492  0.00508655]