光伏储能PCS选型笔记：为什么我们最终放弃了传统两电平，选择了T型三电平方案？
2026/6/14 2:24:08
别再只盯着h=1了！Matlab adftest函数实战：用GDP数据手把手教你三种平稳性判断方法
在时间序列分析中，ADF检验是判断数据平稳性的黄金标准。但很多Matlab用户在使用adftest函数时，往往只关注h值这一单一指标，忽略了pValue、stat和cValue等同样重要的统计量。本文将带你深入理解ADF检验的完整输出，通过实际GDP数据分析，掌握三种交叉验证的平稳性判断方法。
1. ADF检验的核心逻辑与输出参数解析
ADF检验（Augmented Dickey-Fuller test）的核心在于检验时间序列是否存在单位根。原假设（H₀）认为序列存在单位根（非平稳），而备择假设（H₁）则认为序列不存在单位根（平稳）。
adftest函数的完整调用格式为：
[h, pValue, stat, cValue] = adftest(y, 'alpha', 0.05);关键输出参数解读：
| 参数 | 数学含义 | 判断标准 | 实际意义 |
|---|---|---|---|
| h | 假设检验结果 | h=0接受H₀（非平稳） h=1拒绝H₀（平稳） | 最直观的判断指标 |
| pValue | 观察到的显著性水平 | p>α接受H₀ p<α拒绝H₀ | 反映拒绝H₀的证据强度 |
| stat | 检验统计量 | stat>cValue接受H₀ stat<cValue拒绝H₀ | 直接比较统计量与临界值 |
| cValue | 临界值 | 由显著性水平α决定 | 提供统计量的比较基准 |
注意：这三种判断方法在理论上应该得出相同结论，但在实际数据分析中可能出现不一致，这正是需要交叉验证的原因。
2. 实战案例：中国GDP数据的平稳性检验
让我们以1978-2020年中国GDP数据为例，演示如何全面解读ADF检验结果。
2.1 原始序列检验
首先加载并可视化原始GDP数据：
data = [3678.70, 4100.45, 4587.58, ..., 1015986.20]; % 完整数据见文末 plot(data, 'LineWidth', 1.5); title('中国GDP原始序列(1978-2020)');执行ADF检验：
[h, pValue, stat, cValue] = adftest(data, 'alpha', 0.05);检验结果对比：
- h值判断：h=0 → 接受原假设（非平稳）
- pValue判断：p=0.999 > 0.05 → 接受原假设
- 统计量判断：stat=13.433 > cValue=-1.947 → 接受原假设
三种方法一致表明原始GDP序列是非平稳的，这与直观趋势图显示的持续增长特征相符。
2.2 一阶差分序列检验
对数据进行一阶差分：
datad1 = diff(data, 1); plot(datad1, 'LineWidth', 1.5); title('GDP一阶差分序列');检验结果：
h = 0 pValue = 0.2810 stat = -0.9989 cValue = -1.9475关键发现：
- 虽然差分后序列的stat值已低于原始序列，但仍大于cValue
- pValue虽有下降（从0.999→0.281），但仍大于0.05
- 图形仍显示明显趋势，验证了非平稳结论
2.3 二阶差分序列检验
继续对数据进行二阶差分：
datad2 = diff(data, 2); plot(datad2, 'LineWidth', 1.5); title('GDP二阶差分序列');检验结果：
h = 1 pValue = 1.0000e-03 stat = -4.3792 cValue = -1.9476综合分析：
- h=1、p<0.05、stat<cValue → 三种方法一致判断为平稳
- 图形显示序列在零值附近随机波动，无明显趋势
- 这表明GDP序列经过二阶差分后达到了平稳状态
3. 三种判断方法的深入比较与应用场景
虽然h、pValue和stat/cValue理论上应该一致，但实际分析中可能出现以下情况：
案例1：临界情况下的判断分歧当stat接近cValue时，可能出现：
- h=0（不拒绝H₀）
- 但pValue略小于0.05（如0.04）
此时建议：结合图形分析，考虑进行更长时间的观察或收集更多数据。
案例2：小样本数据的特殊表现样本量较小时：
- pValue可能不够稳定
- stat与cValue的比较更为可靠
实用建议：
- 常规分析：优先查看h值，快速判断
- 深入研究：必须检查pValue和stat/cValue
- 结果存疑时：绘制序列图形，进行多方法交叉验证
4. 高级技巧与常见问题排查
4.1 显著性水平α的选择
α值不仅影响cValue，也决定了h和pValue的判断标准：
| α值 | 影响 | 适用场景 |
|---|---|---|
| 0.01 | 更严格 | 金融等高精度领域 |
| 0.05 | 默认值 | 大多数经济数据分析 |
| 0.10 | 更宽松 | 探索性分析或小样本研究 |
修改α值的调用方式：
[h, pValue, stat, cValue] = adftest(data, 'alpha', 0.01);4.2 模型设定选项
adftest支持多种模型设定，通过'model'参数指定：
% 三种可选模型 [h1] = adftest(data, 'model', 'ARD'); % 含截距项和趋势项（默认） [h2] = adftest(data, 'model', 'TS'); % 含趋势项 [h3] = adftest(data, 'model', 'NC'); % 不含常数项和趋势项选择建议：
- 观察数据图形，判断是否明显存在趋势
- 不确定时，使用默认'ARD'模型
- 比较不同模型的结果，选择最一致的结论
4.3 滞后阶数的确定
adftest会自动选择滞后阶数，也可手动指定：
[h] = adftest(data, 'lags', 2); % 指定滞后2阶经验法则：
- 年度数据：滞后1-2阶
- 季度数据：滞后4-5阶
- 月度数据：滞后12阶左右
5. 完整代码实现与数据准备
为方便读者复现，这里提供完整代码：
% 数据准备 gdp = [3678.70, 4100.45, 4587.58, 4935.83, 5373.35, 6020.92, 7278.50, ... 9098.95, 10376.15, 12174.59, 15180.39, 17179.74, 18872.87, ... 22005.63, 27194.53, 35673.23, 48637.45, 61339.89, 71813.63, ... 79715.04, 85195.51, 90564.38, 100280.14, 110863.12, 121717.42, ... 137422.03, 161840.16, 187318.90, 219438.47, 270092.32, 319244.61, ... 348517.74, 412119.26, 487940.18, 538579.95, 592963.23, 643563.10, ... 688858.22, 746395.06, 832035.95, 919281.13, 990865.11, 1015986.20]; % 原始序列检验 figure(1) plot(gdp, 'LineWidth', 1.5) title('中国GDP原始序列(1978-2020)') [h, p, stat, cval] = adftest(gdp, 'alpha', 0.05); % 一阶差分 figure(2) d1 = diff(gdp, 1); plot(d1, 'LineWidth', 1.5) title('GDP一阶差分序列') [h1, p1, stat1, cval1] = adftest(d1, 'alpha', 0.05); % 二阶差分 figure(3) d2 = diff(gdp, 2); plot(d2, 'LineWidth', 1.5) title('GDP二阶差分序列') [h2, p2, stat2, cval2] = adftest(d2, 'alpha', 0.05);在实际分析中，我发现当三种判断方法出现分歧时，往往意味着数据处于平稳与非平稳的边界状态。这时最好的做法是结合业务背景知识，或者尝试不同的差分阶数和模型设定，而不是机械地依赖单一指标。例如，某些具有弱趋势的序列可能在某些检验方法下显示为平稳，但从业务角度看仍需要进一步处理。