# 进行Johansen检验 jres = coint_johansen(df, 0, 1) # 输出结果 print('Eigenvalues: ', jres.eig) print('Critical values (90%, 95%, 99%) of trace statistic: ', jres.trace_stat_crit_vals) print('Critical values (90%, 95%, 99%) of max eigenvalue statistic: ', jres.max_eig_stat_crit_vals)

这段代码使用 Johansen 检验来测试多个时间序列之间是否存在协整关系。具体来说，该检验可以帮助我们确定是否存在一个线性组合，可以将所有的时间序列转化为一个共同的趋势。如果存在这样的线性组合，则这些时间序列就被认为是协整的。

在这段代码中，`df` 是一个包含多个时间序列数据的 Pandas DataFrame 对象。`coint_johansen()` 函数的第二个参数 `0` 表示我们要对一阶差分后的数据进行检验。第三个参数 `1` 表示我们要对一阶差分后的数据进行一次 Johansen 检验。

`jres` 是返回的检验结果对象，其中 `jres.eig` 属性包含了 Johansen 检验的特征值。如果某个特征值接近于 0，则说明这个时间序列对共同趋势的贡献较小，可以被认为是非协整的。如果特征值大于 0，则说明这个时间序列对共同趋势的贡献较大，可以被认为是协整的。

`jres.trace_stat_crit_vals` 和 `jres.max_eig_stat_crit_vals` 属性分别包含了迹统计量和最大特征值统计量的临界值。我们可以将这些值与实际的统计量进行比较，以确定是否存在协整关系。

相关问题

jres = coint_johansen(adf.values, -1, 1)

这段代码使用了 Johansen 协整检验，用于检验多个时间序列之间是否存在长期线性关系。其中，adf.values 是一个二维数组，每一列代表一个时间序列。coint_johansen 函数的第一个参数是这个二维数组，第二个参数是对协整关系的假设。-1 表示不设假设，1 表示设立一个假设。第三个参数是协整关系中的滞后阶数。函数的返回值是一个包含检验结果的对象。

jres = coint_johansen(adf.values, -1, 1)什么意思

这行代码使用 Johansen 协整检验来检验一组时间序列数据是否存在协整关系。其中，`adf.values` 是一个 numpy 数组，存储了待检验的时间序列数据。`-1` 表示检验的阶数，即默认检验最大可能的阶数；`1` 表示是否包含截距项，即检验时是否考虑常数项。`jres` 是一个对象，包含了 Johansen 检验的结果，例如协整向量、特征值等信息。