adf检验maxlags应按schwert准则设为int(12*(nobs/100)^(1/4))，季节性数据至少取一周期长度（如月度数据设12），避免默认maxlags=1导致统计量偏误。

ADF检验的maxlags参数怎么设才合理？

默认自动选阶（autolag="AIC"）在多数场景下够用，但高阶AR过程或小样本时容易低估滞后阶数。手动设maxlags更可控：建议取int(12 * (nobs/100)**(1/4))（Schwert准则），其中nobs是有效观测数；若序列含明显季节性，至少保留一个完整周期长度（如月度数据设maxlags=12）。别直接用maxlags=1——这会让检验统计量偏误，尤其当真实滞后阶数>1时，pvalue可能虚假显著。

KPSS检验失败提示"Kernel is not positive definite"怎么办？

这是核估计器在小样本或强自相关下数值不稳定导致的。优先尝试：

• 换核函数：regression="c"（仅截距）比"ct"（趋势+截距）更稳定
• 降低带宽：nlags设为int(np.sqrt(nobs))或更小，避免过度平滑
• 先对原序列做一阶差分再跑KPSS——很多用户卡在这一步，误以为必须原始序列才能检验

注意：statsmodels.tsa.stattools.kpss返回的statistic越小越支持平稳，和ADF相反，这点常被忽略。

为什么ADF和KPSS结论冲突？比如ADF说平稳、KPSS说非平稳

这不是bug，是两类检验原假设根本不同：ADF原假设是“存在单位根”（即非平稳），KPSS原假设是“平稳”。当序列含结构突变、缓慢漂移或近单位根（ρ=0.95左右）时，两者天然易打架。此时要：

python-code-analyz

专业Python代码分析与优化，支持语法检查、安全扫描、性能评估、复杂度分析及重构后优化代码生成。

下载

• 画plot_acf和plot_pacf看拖尾/截尾特征
• 检查残差是否异方差——用arch_model拟合后做arch_lm_test
• 试Phillips-Perron（pp.test）交叉验证，它对异方差更鲁棒

别急着删数据或强行差分，先确认是不是趋势成分未剥离干净。

用adfuller检验季节性序列总报错"LinAlgError: SVD did not converge"

这是OLS求解器在高度共线性下崩溃，常见于未去季节性的月度/季度数据。解决路径很直接：

• 先用seasonal_decompose（model="additive"）提取季节项，再对resid跑adfuller
• 或改用stl分解（statsmodels.tsa.seasonal.STL），它对异常值更稳健
• 绝对避免对原始季节性序列直接设高maxlags——这只会加剧共线性

记住：adfuller本身不处理季节性，它只管单位根；季节性得靠预处理剥离。

实际操作中，最常被跳过的步骤是检查差分后的残差是否白噪声（acorr_ljungbox），而不仅是看ADF结果。这点一旦漏掉，后续建模大概率出偏。

Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！