解释 的所有统计量和图形 增强的 Dickey-Fuller 检验

方法表显示分析的设置和选定的滞后顺序。

在这些结果中，分析评估的最大滞后顺序为 9。分析使用滞后顺序最高为 4 的模型来计算测试结果。

增强型 Dickey-Fuller 检验表提供了假设、检验统计量、p 值以及关于是否考虑微分以使序列平稳的建议。

检验统计量提供了一种评估原假设的方法。小于或等于临界值的检验统计量可提供反对原假设的证据。

P 值是一个概率，用来测量否定原假设的证据。概率越低，否定原假设的证据越充分。

要确定是否要对数据进行差异化，请将检验统计量与临界值或 p 值与显著性水平进行比较。由于 p 值包含更多近似值，因此当显著性水平为 0.01、0.05 或 0.10 时，分析中的建议使用临界值来评估原假设。通常，临界值和 p 值的结论是相同的。原假设是数据是非平稳的，这意味着差分是尝试使数据平稳的合理步骤。

P 值≤显著性水平

≤临界值的测试统计量

如果 p 值小于或等于显著性水平，或者检验统计量小于或等于临界值，则决定否定原假设。由于数据提供了数据静止的证据，因此分析的建议是继续进行，不进行差异。

P 值>显著性水平

>临界值的测试统计量

如果 p 值大于显著性水平，或者检验统计量大于临界值，则决定不否定原假设。由于数据不能提供数据是平稳的证据，因此分析的建议是确定差异是否使数据的平均值静止。

在这些结果中，检验统计量 2.29045 大于临界值约为 -2.96053。由于结果无法否定数据为非平稳的原假设，因此检验的建议是考虑差异以使数据平稳。

时间序列图

使用原始序列的时间序列图可以检查原始数据的特征。趋势是指示非平稳均值的形态的示例。使用差分法尝试使平均值静止。

ACF 图

使用原始数据中的自相关函数 （ACF） 查找指示数据均值不平稳的模式。一种常见的模式是滞后的大峰值，这些峰值会非常缓慢地消失。

PACF 图

通常，您可以使用固定数据的偏自相关函数 （PACF） 来查找指示 ARIMA 模型中存在自回归项的模式。如果原始数据不是平稳的，请使用差分序列的 PACF 图查找 ARIMA 模型的候选项。

在这些结果中，数据显示时间序列图呈递增趋势。ACF 图上的第一个滞后显示一个超过 5% 显著性极限的大峰值，然后非常缓慢地减小。这些模式表明数据的均值不是平稳的。

由于销售额与解释确定性趋势的预测变量没有关系，并且分析师希望使用 ARIMA 模型来预测销售额，因此对数据进行差异化是尝试使序列的平均值保持平稳的合理方法。

差分后的时间序列图

使用差分数据的时间序列图来验证差分是否使数据的均值平稳。时间序列图显示连续观测值之间的差异。具有平稳均值的数据沿时间序列图上的水平路径运行。

ACF 图和 PACF 图在差异化后

使用差分数据的 ACF 来验证差分是否使数据的均值平稳。峰值快速下降的图是静止数据的特征。

在某些情况下，稳态数据的ACF和PACF图中的模式表明了要包含在ARIMA模型中的自回归项和移动平均项的顺序。有关这些图的解释的详细信息，请转到以下主题：

• 自相关函数 (ACF)
• 解释偏自相关函数 (PACF)

在这些结果中，时间序列图显示差分数据的均值和方差近似恒定。数据似乎是静止的。

在差分数据的 ACF 图中，唯一与 0 显著不同的峰值滞后为 1。此模式还表明数据是静止的。