fn_registry/python/functions/datascience/adf_kpss_stationarity.md

name, kind, lang, domain, version, purity, signature, description, tags, uses_functions, uses_types, returns, returns_optional, error_type, imports, params, output, tested, tests, test_file_path, file_path

name	kind	lang	domain	version	purity	signature	description	tags	uses_functions	uses_types	returns	returns_optional	error_type	imports	params	output	tested	tests	test_file_path	file_path
adf_kpss_stationarity	function	py	datascience	1.0.0	pure	def adf_kpss_stationarity(values: list, alpha: float = 0.05) -> dict	Test de estacionariedad de una serie temporal combinando ADF (H0=raiz unitaria/no estacionaria) y KPSS (H0=estacionaria) de statsmodels. Devuelve por test estadistico, p_value, lags y conclusion, mas un veredicto de consenso ('stationary'|'non_stationary'|'inconclusive'). Avisa de correlacion espuria (Granger-Newbold) cuando la serie no es estacionaria. Descarta None/NaN/infinitos; <8 puntos validos -> nota 'datos insuficientes'.	statistics timeseries stationarity adf kpss unit-root eda forecasting python				false		math warnings statsmodels	name desc values serie temporal de valores numericos en orden cronologico. None/NaN/infinitos/no-numericos se descartan antes del test. name desc alpha nivel de significancia para ambos contrastes (default 0.05). p<alpha rechaza la hipotesis nula del test correspondiente.	dict con 'adf' y 'kpss' (cada uno: stat, p_value, lags, stationary bool, conclusion), un 'verdict' de consenso ('stationary'|'non_stationary'|'inconclusive'), y 'warning' (texto sobre correlacion espuria si el veredicto no es stationary, si no None). Con <8 puntos validos: {'n', 'note': 'datos insuficientes', 'verdict': None}. Nunca lanza excepcion.	true	test_random_walk_es_no_estacionario test_ruido_blanco_es_estacionario test_serie_con_tendencia_no_es_estacionaria test_muestra_insuficiente_devuelve_nota test_descarta_none_y_nan test_warning_presente_si_no_estacionaria test_estructura_basica_del_dict	python/functions/datascience/adf_kpss_stationarity_test.py	python/functions/datascience/adf_kpss_stationarity.py

Ejemplo

from datascience import adf_kpss_stationarity

# Ruido blanco: estacionario (ADF rechaza raiz unitaria, KPSS no rechaza estacionariedad)
import numpy as np
rng = np.random.default_rng(0)
ruido = rng.normal(0, 1, 300).tolist()
adf_kpss_stationarity(ruido)["verdict"]          # -> "stationary"

# Random walk (suma acumulada): NO estacionario
paseo = np.cumsum(rng.normal(0, 1, 300)).tolist()
res = adf_kpss_stationarity(paseo)
res["verdict"]                                    # -> "non_stationary"
res["warning"]                                    # -> aviso de correlacion espuria

Cuando usarla

Antes de correlacionar, regresionar o modelar (ARIMA, VAR) una serie temporal, para saber si es estacionaria. Es el primer paso obligatorio del analisis de series: una serie no estacionaria (con tendencia o raiz unitaria) rompe los supuestos de la regresion OLS clasica y, si la correlacionas con otra serie no estacionaria, obtienes una correlacion alta pero espuria (Granger-Newbold). Si el veredicto no es "stationary", diferencia la serie o pasala a retornos (to_returns) y vuelve a testear.

Gotchas

• Es pura pero importa statsmodels.tsa.stattools (instalado en python/.venv).
• ADF y KPSS tienen hipotesis nulas OPUESTAS: en ADF p<alpha significa estacionaria; en KPSS p<alpha significa NO estacionaria. La funcion ya normaliza ambos a un campo stationary coherente — no inviertas tu la logica.
• KPSS interpola el p-valor sobre una tabla acotada [0.01, 0.10]: si el estadistico cae fuera, statsmodels recorta el p-valor al extremo y lo marca en kpss.p_value_clipped = True. Un p recortado a 0.01 o 0.10 es un limite, no un valor exacto.
• El veredicto "inconclusive" suele indicar serie estacionaria-en-tendencia o que necesita diferenciacion; no es un fallo, es informacion.
• Necesita al menos 8 puntos validos tras limpiar; con menos devuelve una nota.