ADF检验不自动判断平稳性，需人工比对p值（<0.05）或ADF统计量是否小于对应临界值（如-3.43）；推荐默认regression="c"，显式设置maxlags，差分前先绘图识别趋势与季节性，避免过差分。
ADF检验本身不关心序列是否“已经平稳”，它只是检验原假设“序列存在单位根（非平稳）”是否成立；Statsmodels的 adfuller 函数返回的是原始统计量和临界值对比结果，**不会自动判断平稳与否**——你得自己比对 p-value 或统计量与临界值。
怎么调用 adfuller 并正确解读返回值
Statsmodels 的 adfuller 默认使用带常数项和趋势项的检验形式（regression="ct"），但多数平稳性诊断场景下，应优先尝试更宽松的 regression="c"（仅含截距），避免因过度拟合趋势导致检验功效下降。
关键返回字段包括：statistic（ADF统计量）、pvalue、usedlag、critical_values（字典，含 '1%', '5%', '10%' 对应临界值）、icbest。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 始终显式传入
maxlags（如maxlags=10），否则 Statsmodels 会按经验公式自动选滞后阶数，小样本下容易过拟合 - 若
pvalue < 0.05，可拒绝原假设，认为序列在 5% 显著性水平下平稳；但更稳妥的做法是同时检查statistic < critical_values["5%"]，因为pvalue是近似计算，小样本时可能不准 - 注意
critical_values是负数，越小（即越负）代表越显著；例如 -2.86 比 -2.57 更容易通过 5% 检验
为什么 adfuller 常报错 “Insufficient observations” 或返回 nan
常见于序列太短或预处理不当。ADF检验至少需要 maxlags + 2 个有效观测值（默认 maxlags 约为 12*(nobs/100)**(1/4)），若原始序列含缺失值或全为常数，adfuller 内部差分后可能只剩 1~2 个点。
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 调用前先运行
np.isnan(series).sum()和series.nunique() == 1排查数据质量 - 避免直接对原始
pd.Series调用；转成一维numpy.ndarray（用series.dropna().values）可绕过部分 pandas 索引引发的隐式对齐错误 - 若必须处理极短序列（如 n < 20），改用 KPSS 检验（
kpsstest）作补充，它原假设是“平稳”，与 ADF 互为佐证
如何选择 regression 参数：c / ct / nc
选项直接影响检验势（power）和适用场景：
-
regression="nc"：无截距无趋势，仅适用于均值为 0 且无漂移的白噪声序列，现实中极少适用 -
regression="c"：含截距（常数项），覆盖大多数平稳序列（如 ARMA 模型残差），推荐作为默认起点 -
regression="ct"：含截距+线性趋势，仅当序列明显呈长期单调变化（如带确定性趋势的伪平稳）时才考虑；误用会导致“假阴性”（该拒绝却不拒绝）
一个简单判据：对原始序列做 plt.plot(series)，若肉眼可见明显向上/向下斜线，再结合领域知识判断是否属于确定性趋势（而非随机游走），否则坚持用 "c"。
真正容易被忽略的是：ADF 检验对“结构突变”完全不敏感——比如序列前半段平稳、后半段突变出新均值，adfuller 仍可能给出低 pvalue；此时需配合 Chow 检验或滚动窗口 ADF 来定位断点。
