别再只会画折线图了！用Python实战Cox-Stuart、Mann-Kendall和ADF检验，5分钟判断你的数据有没有“未来”

遮弧酒邪

260人浏览 · 2026-05-10 09:08:07

遮弧酒邪 · 2026-05-10 09:08:07 发布

用Python解锁时间序列的隐藏密码：趋势与平稳性实战指南

当你面对每日销售额波动、APP用户活跃度变化或服务器监控指标时，是否曾困惑这些数据背后是否存在某种规律？本文将带你用Python实战三种统计检验方法，快速判断数据的"未来走向"。

1. 为什么需要统计检验？

肉眼观察折线图是最直观的方法，但存在明显局限性。比如，当数据波动较大时，我们很难判断是随机波动还是真实趋势；当数据呈现周期性变化时，单纯看图表可能误导我们对长期趋势的判断。

常见误判场景：

将季节性波动误认为上升趋势
忽略小幅度但持续的增长/下降
对噪声敏感而忽略真实信号

统计检验的优势在于：

提供量化指标而非主观判断
考虑数据分布特性
给出统计显著性评估

提示：统计检验不是万能的，它只能告诉我们"是否存在"趋势或是否平稳，而不能告诉我们"为什么"存在

2. Cox-Stuart检验：快速趋势检测

Cox-Stuart检验是一种非参数方法，特别适合小样本数据。它的核心思想是：如果存在上升趋势，数据后半部分的值应普遍大于前半部分。

Python实现示例：

import numpy as np
from scipy import stats

def cox_stuart_test(data):
    n = len(data)
    if n % 2 != 0:
        data = np.delete(data, (n-1)//2)
    
    c = len(data) // 2
    diffs = data[c:] - data[:c]
    pos = sum(d > 0 for d in diffs)
    neg = sum(d < 0 for d in diffs)
    
    k = min(pos, neg)
    n_total = pos + neg
    p_value = 2 * stats.binom.cdf(k, n_total, 0.5)
    
    return {
        'rising': pos,
        'falling': neg,
        'p_value': p_value,
        'trend': 'rising' if pos > neg and p_value < 0.05 else 
                'falling' if neg > pos and p_value < 0.05 else 'no trend'
    }

适用场景对比：

特性	Cox-Stuart	Mann-Kendall	ADF
样本量	小样本友好	中等以上样本	大样本
趋势类型	任何趋势	单调趋势	不适用
检验目标	趋势存在性	趋势存在性	平稳性
计算复杂度	低	中	高

3. Mann-Kendall检验：稳健的趋势分析

Mann-Kendall检验是更强大的非参数方法，对异常值不敏感，适合检测单调趋势（持续上升或下降，不一定是线性）。

实战案例：分析某电商平台月度GMV数据

import numpy as np
from scipy.stats import norm

def mann_kendall_test(x, alpha=0.05):
    n = len(x)
    s = 0
    
    for k in range(n-1):
        for j in range(k+1, n):
            s += np.sign(x[j] - x[k])
    
    # 处理结值(tied values)
    unique, counts = np.unique(x, return_counts=True)
    g = len(unique)
    tie_correction = sum(t*(t-1)*(2*t+5) for t in counts) if g < n else 0
    
    var_s = (n*(n-1)*(2*n+5) - tie_correction) / 18
    std_dev = np.sqrt(var_s)
    
    if s > 0:
        z = (s - 1) / std_dev
    elif s < 0:
        z = (s + 1) / std_dev
    else:
        z = 0
    
    p = 2 * (1 - norm.cdf(abs(z)))
    h = abs(z) > norm.ppf(1-alpha/2)
    
    if h:
        trend = 'increasing' if z > 0 else 'decreasing'
    else:
        trend = 'no trend'
    
    return {'trend': trend, 'p_value': p, 'z_score': z}

结果解读指南：

当p值<0.05且z为正：显著上升趋势
当p值<0.05且z为负：显著下降趋势
当p值≥0.05：无显著趋势
z值绝对值越大，趋势越明显

4. ADF检验：平稳性诊断专家

Augmented Dickey-Fuller (ADF)检验是判断时间序列是否平稳的黄金标准。平稳性是许多时间序列模型（如ARIMA）的基本假设。

ADF检验的核心步骤：

建立回归模型：Δyₜ = α + βt + γyₜ₋₁ + δ₁Δyₜ₋₁ + ... + δₚΔyₜ₋ₚ + εₜ
检验原假设H₀: γ=0（存在单位根，序列非平稳）
计算检验统计量并与临界值比较

Python代码实现：

from statsmodels.tsa.stattools import adfuller
import pandas as pd

def adf_test(series, regression='c'):
    """
    regression: 'c'-仅常数, 'ct'-常数和趋势, 'ctt'-常数、线性和二次趋势, 'nc'-无常数无趋势
    """
    result = adfuller(series, regression=regression)
    
    output = {
        'test_statistic': result[0],
        'p_value': result[1],
        'critical_values': result[4],
        'stationary': result[1] < 0.05
    }
    
    print(f'ADF统计量: {output["test_statistic"]:.4f}')
    print(f'p值: {output["p_value"]:.4f}')
    print('临界值:')
    for key, value in output['critical_values'].items():
        print(f'   {key}: {value:.4f}')
    
    return output

不同回归类型的选择依据：

回归类型	适用场景	包含项
'nc'	已知数据无趋势和截距	无
'c'	数据围绕非零均值波动	常数项
'ct'	数据有线性趋势	常数项+时间趋势
'ctt'	数据有二次趋势	常数项+线性+二次趋势

5. 方法选择与结果冲突解决

当不同检验方法给出矛盾结果时，该如何解读？以下是实用决策框架：

方法选择速查表：

你的数据特点	首选方法	备选方法
样本量小(<30)	Cox-Stuart	可视化分析
怀疑有单调趋势	Mann-Kendall	Cox-Stuart
需要建模前的平稳性检查	ADF检验	滚动统计
数据有明显季节性	季节性分解后检验	STL分解
非线性趋势	分段Mann-Kendall	非线性模型拟合