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：

在Python的statsmodels库中，KPSS检验通过kpss()函数实现，关键参数是regression：

• 'c'：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（regression='c'） kpss_stat, p_value, lags, crit_values = kpss(sales, regression='c') print(f"KPSS统计量（水平平稳）: {kpss_stat:.4f}") print(f"P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（regression='ct'） kpss_stat, p_value, lags, crit_values = kpss(sales, regression='ct') print(f"\nKPSS统计量（趋势平稳）: {kpss_stat:.4f}") print(f"P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：

1. 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
2. ADF检验：进行ADF检验，记录p值
3. KPSS检验：
   • 如果不确定是否有趋势，先做水平平稳检验(regression='c')
   • 如果序列有明显趋势，直接做趋势平稳检验(regression='ct')
4. 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：

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, regression='ct', nlags=12)

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：

1. 检查序列是否具有确定性趋势（绘制图形）
2. 对序列进行一阶差分，重新检验
3. 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
4. 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, model='additive', period=12) deseasonal = sales - result.seasonal # 对去季节化数据做KPSS检验 kpss_stat, p_value, lags, crit_values = kpss(deseasonal, regression='ct')

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：

1. 统计量(0.1234) < 5%临界值(0.1460)
2. p值(0.0678) > 0.05
3. 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(p=0.01)，但KPSS强烈拒绝平稳性(p<0.01)，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。