Python时间序列分析：白噪声与平稳性检验实战

白噪声检验基础与函数介绍

白噪声检验，亦称纯随机性检验，是时间序列分析中的基础步骤。若数据表现为纯随机波动，则进一步挖掘其规律将失去实际意义。因此，在获取数据后，建议首先执行纯随机性检验以确认数据的有效性。

在Python中，可使用`acorr_ljungbox(x, lags=None, boxpierce=False)`函数执行数据的纯随机性检验。

参数`lags`用于指定延迟期数。若传入整数，则包含该整数以内的所有延迟期；若传入列表或数组，则包含列表中最大时滞及其之前的所有时滞。

当参数`boxpierce`设置为True时，函数除返回LB统计量外，还将额外返回Box-Pierce Q统计量。

该函数的返回值包含以下关键指标：

`lbvalue`：表示Ljung-Box检验的统计量值。

`pvalue`：基于卡方分布计算得出的P统计量。

`bpvalue`：（可选）基于Box-Pierce检验的P统计量，类型为float或array。

`bppvalue`：（可选）基于卡方分布下的Box-Pierce检验的P统计量，类型为float或array。

以下是具体的代码实现示例：

from statsmodels.stats.diagnostic import acorr_ljungbox acorr_ljungbox(b.salesVolume, lags = [6, 12],boxpierce=True)

观察输出结果可知，无论采用哪种统计量，其对应的P值均较大。这意味着无法拒绝原假设，从而推断该数据属于纯随机数据序列。

时间序列平稳性检验：ADF方法实战

补充知识：在Python中实现时间序列的单位根检验。

构建时间序列模型前，必须对数据进行平稳性检验。常用的检验方法包括DF检验、ADF检验和PP检验。下文将以ADF检验为例进行说明。

注：P值是指在假设检验中，利用样本观测值能够拒绝原假设的最小显著性水平。

若显著性水平a大于或等于P值（a >= p），则在显著性水平a下拒绝原假设H0。

若显著性水平a小于P值（a < p），则在显著性水平a下接受原假设H0。

实现方法一：

from arch.unitroot import ADF ADF(data)

ADF检验的原假设为序列不平稳。示例中P值近似为0，因此拒绝原假设，判定该序列是平稳的。

from statsmodels.stats.diagnostic import unitroot_adf unitroot_adf(b.salesVolume)

此方法输出包含检验值、p-value、滞后阶数及自由度等信息。示例中检验统计量为–5.954367776923936，小于1%显著性水平下的临界值-4.01203360058309。由于P值远小于0.01，我们拒绝原假设（原假设为存在单位根，即序列非平稳），从而认为该时间序列是平稳的。

以上即为使用Python实现时间序列白噪声检验与平稳性检验的完整内容，希望能为读者提供参考与支持。