Pythonで時系列解析(adfで単位根検定)

時系列データでトレンドを持つ場合の中に、単位根過程やトレンド定常過程というものがあります。
単位根過程の場合は、階差を取れば、定常過程に することができ、その判断のために単位根過程であることを把握したい場合、ADF検定を行います。

コード

ADFはstatsmodelsに実装されています。

単位根過程であることを帰無仮説に検定を行います。

from statsmodels.tsa.stattools import adfuller

adf,pvalue,usedlag,nobs,critical_values,icbest = adfuller(
    x = data,
    regression=,
    maxlag=,
    autolag = 
)
print(
    adf,
    pvalue,
    usedlag,
    nobs,
    critical_values,icbest
)

引数としてはいくつまでのラグを対象にするかmaxlag,ラグ選択に用いる値autolag,トレンド構造などを指定するregressionがあります。

regression種類は

• c : 定数のみ
• ct : 定数 + 線形トレンド
• ctt: 定数 + 線形トレンド + 非線形トレンド
• nc: なし

となります。

戻り値としては adf(統計量)とcritical_valuesを比較すれば良いですが、p値をそのまま見せるほうが、統計量がわからないが、検定の概念を知っている人にはいいかもしれません。

試してみる

データの発生

a1 = 1のとき単位根過程となります。

import random

def create_data(y0,a1):
  yn = y0
  data = []
  for i in range(100):
    yn = a1 * yn + random.random()
    data.append(yn)
  return data

#data2は単位根過程
data = create_data(3,0.2)
data2 = create_data(3,1)
data3 = create_date(3,0.9)

可視化してみておく

import matplotlib.pyplot as plt

fig,axs = plt.subplots(3,1)
for ax,d in zip(axs,[data,data2,data3]):
  ax.plot(d)

data2はがっつりトレンドがありますね。

検定してみる

構造と各データごとに繰り返すのがめんどくさいので、関数を作って実施してみます。

また、単位根過程は階差をとれば定常になるはずなので、data4もつくって試します。

from statsmodels.tsa.stattools import adfuller


def my_adf(d):
  ps = [0.01,0.05]
  for reg in ['nc','c','ct','ctt']:
    adf,pvalue,usedlag,nobs,critical_values,icbest = adfuller(
        x = d,
        regression = reg,
        autolag = 'AIC'
    )
    ps.append(pvalue)

  return ps

fig,axs = plt.subplots(4,1)
#a1=1のケースの階差をとる
data4 = pd.Series(data2).diff().dropna()
for ax,d in zip(axs,[data,data2,data3,data4]):
  ax.bar(height=my_adf(d),x='0.01,0.05,nc,c,ct,ctt'.split(','))

data2では棄却できませんでしたが、それ以外では棄却できるパターンがあることがわかりました。