的主要结果 增强的 Dickey-Fuller 检验

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非季节性差异以使数据平稳的建议。

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。

如果数据是静止的，则测试不建议进行微分。探索不包含任何差异项的 ARIMA 模型。如果数据不是静止的，则浏览包含差异项的 ARIMA 模型。使用差分数据的时间序列图可以查看连续观测值之间的差异是否为静止数据集。如果差分数据是平稳的，则具有一阶差分项的 ARIMA 模型是合理的考虑。

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。

当检验结论支持差分时，检查差分数据的图中是否存在非平稳数据的特征。时间序列图中的趋势是指示数据均值不平稳的模式示例。在 ACF 图上，缓慢下降的大峰值也表示数据不是静止的。如果您在差分数据中看到这些模式，请考虑是否拟合具有二阶差分的 ARIMA 模型。通常，1 或 2 个阶次的差分足以提供与数据的合理拟合。

如果差分数据是平稳的，那么合理的方法是在 ARIMA 模型中包含单个非季节性差分顺序。有关 ARIMA 型号的详细信息，请转至 综合自回归移动平均 (ARIMA) 的概述。

时间序列图显示差异的结果。在这些结果中，原始数据的时间序列图显示了明显的趋势。差分数据的时间序列图显示连续值之间的差异。差分数据显示为静止，因为点沿水平路径，变体中没有明显的模式。

ACF 图还显示了差分的影响。在这些结果中，原始数据的 ACF 图显示了跨滞后的缓慢下降的峰值。此模式表示数据不是静止的。在差分数据的 ACF 图中，唯一与 0 显著不同的峰值滞后为 1。

在这些结果中，时间序列图和 ACF 图确认测试结果。因此，一种合理的方法是对数据进行差异化，然后拟合自回归和移动平均模型进行预测。