别再只盯着ADF了！用Python的statsmodels做KPSS检验，区分‘水平平稳’和‘趋势平稳’的保姆级指南

别再只盯着ADF了用Python的statsmodels做KPSS检验区分‘水平平稳’和‘趋势平稳’的保姆级指南时间序列分析中平稳性检验是绕不开的关键步骤。很多数据分析师一提到平稳性检验第一反应就是ADF检验Augmented Dickey-Fuller test这就像提到时间序列预测就想到ARIMA一样自然。但ADF检验并非万能钥匙它有自己的局限性和适用场景。今天我们要介绍的是ADF检验的好搭档——KPSS检验它能帮助我们更准确地判断时间序列是水平平稳还是趋势平稳。在实际业务场景中比如股票价格分析、销售预测、宏观经济指标研究等我们经常会遇到这样的困惑ADF检验说序列是平稳的但肉眼看起来明明有明显的趋势或者ADF检验说非平稳但去除趋势后残差看起来又很平稳。这种矛盾结论往往源于对平稳性类型的错误判断。KPSS检验正是解决这一痛点的利器。1. 为什么需要KPSS检验与ADF检验的互补关系ADF检验和KPSS检验就像一枚硬币的两面它们从不同角度检验平稳性。ADF检验的零假设是序列有单位根即非平稳而KPSS检验的零假设是序列是平稳的水平平稳或趋势平稳。这种互补性使得两者结合使用能给出更可靠的结论。常见组合结果及解释检验组合ADF结果KPSS结果可能解释情况1不拒绝H₀拒绝H₀序列很可能是非平稳的情况2拒绝H₀不拒绝H₀序列很可能是平稳的情况3拒绝H₀拒绝H₀可能是趋势平稳需要进一步检验情况4不拒绝H₀不拒绝H₀检验功效不足需要更多数据在Python的statsmodels库中KPSS检验通过kpss()函数实现关键参数是regressionc检验水平平稳性序列围绕恒定均值波动ct检验趋势平稳性序列围绕确定性趋势波动2. 实战用Python进行KPSS检验让我们通过一个完整的例子来演示如何使用KPSS检验。假设我们有一组模拟的销售数据显示出明显的线性增长趋势。import numpy as np import matplotlib.pyplot as plt from statsmodels.tsa.stattools import kpss # 生成模拟数据线性趋势季节性噪声 np.random.seed(42) t np.arange(120) # 10年月度数据 trend 0.05 * t seasonal 5 * np.sin(2 * np.pi * t / 12) noise np.random.normal(0, 2, len(t)) sales 50 trend seasonal noise # 可视化 plt.figure(figsize(12, 6)) plt.plot(sales) plt.title(模拟销售数据含趋势和季节性) plt.xlabel(时间月) plt.ylabel(销售额) plt.grid(True) plt.show()2.1 检验水平平稳性我们先检验序列是否是水平平稳的即没有趋势围绕恒定均值波动# 水平平稳性检验regressionc kpss_stat, p_value, lags, crit_values kpss(sales, regressionc) print(fKPSS统计量水平平稳: {kpss_stat:.4f}) print(fP值: {p_value:.4f}) print(临界值:) for key, value in crit_values.items(): print(f {key}%: {value:.4f}) # 解释结果 if p_value 0.05: print(结论拒绝水平平稳的原假设序列可能非平稳) else: print(结论无法拒绝水平平稳的原假设)2.2 检验趋势平稳性接下来检验序列是否是趋势平稳的即去除趋势后是平稳的# 趋势平稳性检验regressionct kpss_stat, p_value, lags, crit_values kpss(sales, regressionct) print(f\nKPSS统计量趋势平稳: {kpss_stat:.4f}) print(fP值: {p_value:.4f}) print(临界值:) for key, value in crit_values.items(): print(f {key}%: {value:.4f}) # 解释结果 if p_value 0.05: print(结论拒绝趋势平稳的原假设) else: print(结论无法拒绝趋势平稳的原假设)提示在实际分析中建议同时进行ADF检验和KPSS检验比较两者的结果。当结论矛盾时通常更相信KPSS检验的结果特别是在样本量较大的情况下。3. 业务场景中的决策流程在实际业务分析中如何根据KPSS检验结果做出正确决策下面是一个实用的决策流程图可视化检查首先绘制时间序列图观察是否有明显趋势或季节性ADF检验进行ADF检验记录p值KPSS检验如果不确定是否有趋势先做水平平稳检验(regressionc)如果序列有明显趋势直接做趋势平稳检验(regressionct)结果解读ADF拒绝且KPSS不拒绝序列是平稳的ADF不拒绝且KPSS拒绝序列是非平稳的两者都拒绝可能是趋势平稳需要差分或去趋势两者都不拒绝检验功效不足考虑增加样本量不同业务场景的检验选择建议业务场景推荐检验理由股票价格KPSS(ct)ADF价格通常有趋势关注趋势平稳性销售数据KPSS(c)先验促销可能造成水平突变经济指标两者都做宏观经济数据可能有结构性变化传感器数据KPSS(c)通常期望围绕固定值波动4. 常见陷阱与解决方案即使了解了KPSS检验的基本用法在实际应用中还是会遇到各种问题。以下是几个常见陷阱及解决方案4.1 陷阱一忽视长期方差估计KPSS检验统计量的计算依赖于长期方差的准确估计。默认情况下statsmodels使用Newey-West估计器自动选择滞后阶数但在某些情况下可能需要手动调整。# 手动设置滞后阶数比如12适用于年度季节性数据 kpss_stat, p_value, lags, crit_values kpss(sales, regressionct, nlags12)注意滞后阶数选择过大可能降低检验功效过小可能导致标准误低估。一般规则是取⌈4(T/100)^(2/9)⌉其中T是样本量。4.2 陷阱二与ADF检验结果矛盾当ADF和KPSS给出矛盾结论时可以尝试以下步骤检查序列是否具有确定性趋势绘制图形对序列进行一阶差分重新检验如果差分后ADF拒绝而KPSS不拒绝说明原序列可能是差分平稳的考虑使用其他检验方法如PP检验作为佐证4.3 陷阱三季节性数据的处理对于有明显季节性的数据直接应用KPSS检验可能不合适。解决方法包括先进行季节性差分再检验平稳性使用季节性KPSS检验虽然statsmodels未直接提供但可以通过去季节化实现from statsmodels.tsa.seasonal import seasonal_decompose # 季节性分解 result seasonal_decompose(sales, modeladditive, period12) deseasonal sales - result.seasonal # 对去季节化数据做KPSS检验 kpss_stat, p_value, lags, crit_values kpss(deseasonal, regressionct)4.4 陷阱四结构突变的影响如果时间序列存在结构突变如政策变化、突发事件导致的均值漂移KPSS检验可能会错误地拒绝平稳性假设。解决方法识别突变点可以使用statsmodels.tsa.regime_switching分段检验平稳性使用考虑结构突变的单位根检验5. 进阶技巧解读KPSS检验结果深入理解KPSS检验输出中的各个参数能帮助我们做出更准确的判断KPSS统计量值越大越倾向于拒绝平稳性原假设p值小于显著性水平通常0.05时拒绝原假设临界值1%、5%、10%三个水平统计量超过则拒绝滞后阶数影响长期方差估计自动选择可能不适合所有情况KPSS检验结果报告示例KPSS Statistic for trend stationarity: 0.1234 p-value: 0.0678 Critical Values: 1% : 0.2160 5% : 0.1460 10%: 0.1190解读统计量(0.1234) 5%临界值(0.1460)p值(0.0678) 0.05结论无法拒绝趋势平稳的原假设对于金融时间序列分析我习惯同时运行ADF和KPSS检验当结果不一致时会优先考虑KPSS的结果特别是处理有明显趋势的资产价格数据时。曾经有一个加密货币价格预测项目ADF检验显示平稳(p0.01)但KPSS强烈拒绝平稳性(p0.01)最终证明KPSS的结果更符合实际情况——价格确实存在长期趋势。