3分钟搞懂面板数据平稳性：Statsmodels中LLC与IPS检验的替代实现方案

2026-02-05 05:41:52作者：范靓好Udolf

在计量经济学分析中，面板数据（Panel Data）的平稳性检验是建模前的关键步骤。当你还在为如何判断跨国经济数据、多产品销售记录是否存在单位根（Unit Root）而烦恼时，本文将通过Statsmodels库实现两种主流面板单位根检验的替代方案，帮助你快速验证数据平稳性，为后续建模奠定基础。

读完本文你将掌握：

面板数据单位根检验的核心原理（LLC与IPS方法对比）
如何用Statsmodels现有工具构建面板单位根检验流程
完整代码示例与结果解读方法

面板单位根检验的核心方法

面板数据同时包含截面维度（如多个国家/个体）和时间维度，其单位根检验需同时考虑个体效应和时间效应。主流方法包括：

LLC检验（Levin-Lin-Chu）

原假设：所有截面序列均存在单位根
适用场景：同质性面板（各截面具有相同的单位根过程）
Statsmodels实现路径：通过statsmodels.tsa.stattools.adfuller实现逐截面ADF检验后汇总 statsmodels/tsa/stattools/_stattools.py

IPS检验（Im-Pesaran-Shin）

原假设：每个截面序列均存在单位根
适用场景：异质性面板（允许各截面有不同单位根过程）
Statsmodels实现路径：利用statsmodels.regression.linear_model.OLS构建组内均值检验 statsmodels/regression/linear_model.py

检验方法	原假设	备择假设	适用数据特征	Statsmodels核心函数
LLC	所有序列有单位根	所有序列平稳	同质性面板	`adfuller` + 汇总检验
IPS	每个序列有单位根	部分序列平稳	异质性面板	`OLS` + 组间统计量合成

实现步骤与代码示例

1. 数据准备

以OECD国家经济增长率面板数据为例（模拟数据），数据结构需满足：

行：时间序列（如2000-2020年）
列：截面单元（如10个国家）

import numpy as np
import pandas as pd
from statsmodels.tsa.stattools import adfuller
from statsmodels.regression.linear_model import OLS

# 生成模拟面板数据 (20年×10个国家)
np.random.seed(42)
data = pd.DataFrame({
    f"country_{i}": np.cumsum(np.random.randn(20)) + i*0.1 
    for i in range(10)
})

2. LLC检验实现

LLC检验要求对每个截面进行ADF回归，然后汇总t统计量：

def llc_test(panel_data):
    # 存储每个截面的ADF检验结果
    adf_results = []
    for col in panel_data.columns:
        result = adfuller(panel_data[col], regression='c', autolag='AIC')
        adf_results.append({
            't_stat': result[0],
            'p_value': result[1],
            'lags': result[2]
        })
    
    # 计算LLC汇总统计量（简化版）
    t_stats = np.array([res['t_stat'] for res in adf_results])
    llc_stat = t_stats.mean()
    return {
        'llc_statistic': llc_stat,
        'individual_results': adf_results
    }

# 执行检验
llc_result = llc_test(data)
print(f"LLC检验统计量: {llc_result['llc_statistic']:.4f}")

3. IPS检验实现

IPS检验通过合成各截面ADF检验的p值实现：

def ips_test(panel_data):
    p_values = []
    for col in panel_data.columns:
        result = adfuller(panel_data[col], regression='c', autolag='AIC')
        p_values.append(result[1])
    
    # 执行Fisher合并检验
    from scipy.stats import chi2
    ips_stat = -2 * np.sum(np.log(p_values))
    p_value = chi2.sf(ips_stat, df=2*len(p_values))
    return {
        'ips_statistic': ips_stat,
        'p_value': p_value,
        'individual_pvalues': p_values
    }

# 执行检验
ips_result = ips_test(data)
print(f"IPS检验p值: {ips_result['p_value']:.4f}")

结果解读与可视化

关键判断标准

LLC检验：统计量绝对值越大（通常<-2），拒绝单位根假设证据越强
IPS检验：p值<0.05时，拒绝"所有截面存在单位根"的原假设

检验结果可视化

import matplotlib.pyplot as plt

# 绘制各截面ADF检验p值分布
plt.figure(figsize=(10, 5))
plt.bar(data.columns, [res['p_value'] for res in llc_result['individual_results']])
plt.axhline(y=0.05, color='r', linestyle='--', label='5%显著性水平')
plt.title('各截面ADF检验p值分布')
plt.ylabel('p值')
plt.xticks(rotation=45)
plt.legend()
plt.tight_layout()
plt.show()

进阶应用与注意事项

1. 面板数据预处理

确保数据格式为"长面板"（时间跨度>截面数量）
缺失值处理可使用statsmodels.imputation.mice.MICE statsmodels/imputation/mice.py
截面异方差调整通过cov_type='hac-panel'实现 statsmodels/regression/linear_model.py

2. 高级检验实现

对于大型面板数据，可使用平行处理加速检验：

from joblib import Parallel, delayed

def parallel_adf_test(series):
    return adfuller(series, regression='c', autolag='AIC')

# 并行执行ADF检验
results = Parallel(n_jobs=-1)(delayed(parallel_adf_test)(data[col]) for col in data.columns)