如何对“预白化”时间序列进行趋势分析？

Question

我想使用迭代方案在Python中“预白”一个时间序列。我知道使用R可能更容易。我不想使用LMS方法，而是想使用泰尔森估值器。我正在使用Wang和Swail（2000）中所述的方法

我们拟合以下模型：Yt=a+bt+Xt，其中a和b是Yt的截距和斜率参数，Xt是滞后1自相关的红噪声过程c:Xt=cXt-1+et

（1）计算时间序列Yt的滞后1自相关系数c，作为c的第一个估计值。如果c<；0.05，序列相关性的影响可以忽略不计。回归参数按原样使用

（2）否则，对预白化时间序列Wt=（Yt-cYt-1）/（1-c）执行泰尔森估计

如何用Python编写第（2）部分

（3）从原始数据系列中删除估计的趋势成分，并重新估计c。换句话说，我们对c的新估计是时间序列Yt-bt的滞后1自相关

（4）继续进行迭代，直到c<；0.005或cs和bs之间的差异非常小，即0.0001

https://www.pacificclimate.org/~wernera/zyp/Wang%20Swail%202001%20JOC.pdf

from sklearn.linear_model import LinearRegression, TheilSenRegressor
from sklearn.linear_model import RANSACRegressor
from statsmodels.tsa import stattools

x = df['ordinal'].values         
y = df[variable].values

res = stats.theilslopes(y, x, 0.95)

a = res[1]
b = res[0]

autocorr = stattools.acf(y)
autocorr_coeff = autocorr[1]
c = autocorr_coeff

if c < 0.05:
    #perform trend analysis on Wt = (Yt - cYt-1)/(1-c)
    (Yt - cYt-1)/(1-c) = a + c*b/(1-c) + b*t + et/(1-c)
    res = stats.theilslopes(-, -, 0.95)