【python协整检验】在时间序列分析中，协整检验是一种用于判断两个或多个非平稳时间序列之间是否存在长期稳定关系的方法。当这些序列具有相同的趋势时，即使它们各自是不稳定的（即存在单位根），它们的线性组合可能趋于平稳。这种关系在经济和金融数据分析中尤为重要。
为了在Python中进行协整检验，常用的库包括 `statsmodels` 和 `pandas`。其中，`statsmodels` 提供了 `coint` 函数来执行协整检验，支持两种主要方法：Engle-Granger 两步法和 Johansen 检验。
以下是对 Python 协整检验的总结与关键参数说明：
| 项目 | 说明 |
| 目的 | 判断两个或多个非平稳时间序列之间是否存在长期稳定关系 |
| 适用场景 | 经济、金融数据中的变量关系分析（如GDP与消费、股票价格与利率等） |
| 常用方法 | Engle-Granger 两步法、Johansen 检验 |
| 所需库 | `statsmodels`、`pandas` |
| 输入数据 | 至少两个时间序列数据（DataFrame 或 Series） |
| 输出结果 | 检验统计量、p 值、临界值、是否拒绝原假设等 |
| 关键指标 | p 值（通常小于0.05表示协整）、ADF检验结果、残差平稳性 |
示例代码
```python
import pandas as pd
from statsmodels.tsa.stattools import coint
假设我们有两个时间序列数据
data = pd.DataFrame({
'X': [1, 2, 3, 4, 5],
'Y': [1.1, 2.1, 3.1, 4.1, 5.1
})
进行协整检验
result = coint(data['X'], data['Y'])
print("协整检验结果:")
print(f"检验统计量: {result[0]}")
print(f"p 值: {result[1]}")
print(f"临界值: {result[2]}")
```
结果解读
| 指标 | 含义 |
| 检验统计量 | 衡量协整关系的强度 |
| p 值 | 若小于0.05，则认为序列间存在协整关系 |
| 临界值 | 用于判断是否拒绝原假设（无协整关系） |
注意事项
- 在使用协整检验前，应先对每个序列进行单位根检验（如ADF检验），确认其为非平稳序列。
- 如果是多变量协整检验，建议使用 `Johansen` 方法，它能检测出多个协整关系。
- 协整关系不代表短期相关性，而是反映长期均衡关系。
通过合理使用 Python 的协整检验工具，可以更深入地理解时间序列之间的动态关系，为建模和预测提供有力支持。
