使用Python進行時間序列分析

Question

我想確定趨勢系列B估計趨勢系列A的良好程度。我使用OLS進行了嘗試，但顯然殘差是自相關的。 我試圖通過Cochrane-Orcutt-Procedure（ https://onlinecourses.science.psu.edu/stat501/node/360 ）進行糾正，但這並不能解決自相關問題。 我嘗試使用具有不同rho值的python statsmodels GSLAR函數，但也沒有成功。

我想念什么？ 回歸分析是正確的分析方法嗎？ 什么是替代品？

這是數據：

import pandas as pd
dataA = [0.02921, 0.02946, 0.02971, 0.02996, 0.03021, 0.03042, 0.03063, 
0.03083, 0.031, 0.03117, 0.03129, 0.03142, 
0.0315, 0.03146, 0.03142, 0.03142, 0.03138, 0.03129, 0.03117, 0.03104,
0.03096, 0.03083, 0.03067, 0.0305, 0.03042, 0.03042, 0.03042, 0.03042, 
0.03046, 0.03058, 0.03075, 0.03087, 0.031, 0.03117, 0.03137, 0.03158, 
0.03175, 0.03196, 0.03221, 0.03242, 0.03258, 0.03271, 0.03279, 0.03292, 
0.03304, 0.03312]

dataB = [0.28416, 0.28756, 0.29716, 0.30777, 0.31047, 0.30262, 0.29666, 
0.28918, 0.28008, 0.28037, 0.27909, 0.2738, 0.28378, 0.29538, 0.2927, 
0.29232, 0.28845, 0.27793, 0.27858, 0.29067, 0.29573, 0.29336, 0.28964, 
0.28601, 0.273, 0.26278, 0.26786, 0.27156, 0.27272, 0.28691, 0.30556, 
0.3109, 0.31243, 0.31083, 0.31534, 0.32455, 0.33221, 0.33714, 0.33397, 
0.32347, 0.31899, 0.31567, 0.30213, 0.29288, 0.29132, 0.29346]

daterange = pd.date_range(start='2012-07-31', end='2016-04-30',freq='M')
A = pd.Series(dataA, daterange)
B = pd.Series(dataB, daterange)

數據A和數據B來自季節性分解（加性模型）：

from statsmodels.tsa.seasonal import seasonal_decompose
ADecomp = seasonal_decompose(ARaw) 
dataA = ADecomp.trend
BDecomp = seasonal_decompose(BRaw) 
dataB = BDecomp.trend

Answer 1

我猜這更多是計量經濟學問題，而不是Python問題。

首先要做的是看看兩個系列是否都固定。

如果是固定的：您可以通過OLS對其進行回歸以獲得估計值。 平穩序列是方差在差異順序中最小的序列。

如果不是固定的：1）使用Engle Granger方法測試協整。 兩個非固定序列可以是共同固定的。 您也可以在此處運行OLS。 2）如果它們不是協整的，則必須在它們固定的情況下采用n階差分序列，然后運行OLS來獲取預測變量。

希望這能回答您的問題。