使用Python进行时间序列分析

Question

我想确定趋势系列B估计趋势系列A的良好状态。我使用OLS尝试了这一点，但显然残差是自相关的。我试图用Cochrane-Orcutt-Procedure（https://onlinecourses.science.psu.edu/stat501/node/360）进行纠正，但这并没有解决自相关问题。我用不同的ρ值尝试python statsmodels GSLAR函数，但也没有成功。

我错过了什么？回归分析是否正确的分析方法？什么是替代品？

这是数据：

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) 

数据A和数据B由季节性分解（相加模型）导出：

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

Answer 1

我想这是比一个Python以上的计量经济学问题的题。

首先要做的是看看两个系列是否都是固定的。

如果是固定的： 您可以通过OLS对其进行回归以得出估计值。平稳序列是差异顺序最低的一个序列。

如果不是固定的： 1）使用Engle Granger方法进行协整检验。两个非平稳序列可以共同静止。你也可以在这里运行一个OLS。 2）如果它们不是共同整合的，你将不得不在它们是静止的时候采取不同的n阶序列，然后运行OLS来得到预测器。

希望这回答你的问题。