Ë
    £�DjRA  ã                   óJ  — d dl mZ d dlmZmZmZmZ ddgZg d¢Zg d¢Z	eddd	d
dgZ
g d¢Zg d¢Zg d¢Zg d¢Zg d¢Zg d¢Zg d¢Zg d¢Zg d¢Ze
eeedœZe	eeedœZeeeedœZ eg d¢«      Zg d¢g d¢g d¢g d¢g d¢g d¢gZ ee«      ez  Zg d¢g d¢g d¢g d ¢g d!¢g d"¢gZ ee«      ez  Zg d#¢g d$¢g d%¢g d&¢g d'¢g d(¢gZ ee«      ez  Zg d)¢g d*¢g d+¢g d,¢g d-¢g d.¢gZ ee«      ez  ZeeeedœZ eg d/¢«      Zg d0¢g d1¢g d2¢g d3¢g d4¢g d5¢gZ ee«      ez  Zg d6¢g d7¢g d8¢g d9¢g d:¢g d;¢gZ ee«      ez  Zg d<¢g d=¢g d>¢g d?¢g d@¢g dA¢gZ  ee «      ez  Z g dB¢g dC¢g dD¢g dE¢g dF¢g dG¢gZ! ee!«      ez  Z!eee e!dœZ"g dH¢Z#g dI¢Z$g dJ¢Z%g dK¢Z& eg dL¢g dM¢g dN¢g dO¢g dP¢g dQ¢g«      Z' eg dR¢g dS¢g dT¢g dU¢g dV¢g dW¢g«      Z( eg dX¢g dY¢g dZ¢g d[¢g d\¢g d]¢g«      Z) eg d^¢g d_¢g d`¢g da¢g db¢g dc¢g«      Z* eg dd¢«      Z+ eg de¢g df¢g dg¢g dh¢g di¢g dj¢g«      Z,e,e+z  Z, eg dk¢g dl¢g dm¢g dn¢g do¢g dp¢g«      Z-e-e+z  Z- eg dq¢g dr¢g ds¢g dt¢g du¢g dv¢g«      Z.e.e+z  Z. eg dw¢g dx¢g dy¢g dz¢g d{¢g d|¢g«      Z/e/e+z  Z/dñd€„Z0g d�¢g d‚¢g dƒ¢ggZ1 ee1«      Z1g d„¢g d…¢g d†¢gg d‡¢g dˆ¢g d‰¢gg dŠ¢g d‹¢g dŒ¢gg d�¢g dŽ¢g d�¢gg d�¢g d‘¢g d’¢gg d“¢g d”¢g d•¢gg d–¢g d—¢g d˜¢gg d™¢g dš¢g d›¢gg dœ¢g d�¢g dž¢gg dŸ¢g d ¢g d¡¢gg d¢¢g d£¢g d¤¢gg d¥¢g d¦¢g d§¢ggZ2 ee2«      Z2g d¨¢g d©¢g dª¢gg d«¢g d¬¢g d­¢gg d®¢g d¯¢g d°¢gg d±¢g d²¢g d³¢gg d´¢g dµ¢g d¶¢gg d·¢g d¸¢g d¹¢gg dº¢g d»¢g d¼¢gg d½¢g d¾¢g d¿¢gg dÀ¢g dÁ¢g dÂ¢gg dÃ¢g dÄ¢g dÅ¢gg dÆ¢g dÇ¢g dÈ¢gg dÉ¢g dÊ¢g dË¢ggZ3 ee3«      Z3g dÌ¢g dÍ¢g dÎ¢gg dÏ¢g dÐ¢g dÑ¢gg dÒ¢g dÓ¢g dÔ¢gg dÕ¢g dÖ¢g d×¢gg dØ¢g dÙ¢g dÚ¢gg dÛ¢g dÜ¢g dÝ¢gg dÞ¢g dß¢g dà¢gg dá¢g dâ¢g dã¢gg dä¢g då¢g dæ¢gg dç¢g dè¢g dé¢gg dê¢g dë¢g dì¢gg dí¢g dî¢g dï¢ggZ4 ee4«      Z4e1e2e3e4dœZ5d~d}efdð„Z6y)òé    )Únorm)ÚarrayÚpolyvalÚinfÚasarrayÚ
mackinnonpÚmackinnoncrit)g¤p=
×£ð¿g{®Gázø¿gq=
×£pÀg¸…ëQ¸Àg�Âõ(\�Àg)\�Âõ(À)g
×£p=
3Àg…ëQ¸ž3Àgö(\�Â55Àg     @7Àgáz®G¡5Àg=
×£p½9Àg)\�Âõ(ø?g…ëQ¸…ë?g)\�Âõ(ì?gÍÌÌÌÌÌð?g×£p=
×ó?)gÃõ(\�Âù¿gö(\�ÂõÀg
×£p=
	ÀgÃõ(\�ÂÀg=
×£p=Àgq=
×£pÀ)g®GázÔ2Àg\�Âõ(Ü2Àg{®Gáz7ÀgR¸…ë<Àgö(\�Âõ9Àg…ëQ¸E7À)gìQ¸…ë@gq=
×£pí?gš™™™™™á?g…ëQ¸…ã?çHáz®Gé?é   )g…ëQ¸Àg…ëQ¸…	Àg      Àg333333ÀgffffffÀgq=
×£pÀ)g®Gáz.0Àgfffff&5Àg…ëQ¸^9Àgáz®G¡:ÀgHáz®‡:Àg®Gáz.:À)gffffffæ?g)\�Âõ(ä?g¸…ëQ¸æ?gÃõ(\�Âí?g
×£p=
ó?g¸…ëQ¸ö?)g®Gáz®	Àg®GázÀg{®GázÀg¤p=
×£Àg{®GázÀg…ëQ¸…À)gìQ¸…+1Àgš™™™™5Àç®GázT8ÀgHáz®8Àr   g¸…ëQ8<À)gHáz®Gá?r
   gHáz®Gñ?gáz®Gáö?gìQ¸…ë@g¸…ëQ¸þ?)ÚnÚcÚctÚctt)r   r   ç{®Gáz„?)g£’:Mä?g Òo_Îó?g§èH.ÿ	@)g^KÈ=›þ?g@aÃÓ+ö?gs×òA@)g®Ø_vO@gŒJê4÷?gEØðôJY@)gd]ÜFx@g#Ûù~j¼÷?g…ëQ¸…	@)gJ{ƒ/Lf@g_ÎQÚø?g¸…ëQ¸@)gÖVì/»'@gé·¯çŒø?gcÙ=yØ@)gO@aÃS@gWì/»'÷?gÌH¿}�@)g\�Âõ(\@gMŒJêø?gõJY†8Ö@)gŠcîZÂ@gi o�Å÷?gZd;ßO	@)gÌ]KÈ½@g†ÉTÁ¨¤÷?gZd;ßO@)g2w-!4@çC­iÞqŠø?g‰A`åÐ¢@)gs×òA�@gÙ=yX¨ù?gu“VŽ@)g¦
F%u
@g[B>èÙ¬ù?g„žÍªÏÕ@)gp_ÎQ@g=›UŸ«ø?g¸¯çŒ(@)g†ÉTÁ¨d@gfˆc]ÜFø?gz¥,Cë@)g-!ôlV@r   g(~Œ¹k	@)gµûËîI@gùé·¯ù?gk+ö—Ý“@)g…ëQ¸@gŸ«­Ø_vù?gŽðHP@)gUÁ¨¤N @gºI+‡ú?gÿ²{ò°P@)g' ‰°ái@gª`TR' ù?g³q¬‹[@)g«ÏÕVìï@g&S£’:ù?g	ù g³ê	@)gB`åÐ"Û@gšwœ¢#¹ù?gŠcîZÂ
@)g�&Â†§—@g™*•Ô	ú?gÝ$�•Ã
@)gGrùé·@g?ÆÜµ„|ù?g£¼”@)r   çš™™™™™¹?r   r   )gl	ù g³Þ?gÙ_vO¶"@g„O¯”eæ¿gù g³ês
@)g?W[±¿ìø?gV-²!@gD‹lçû© ÀgŸÍªÏÕÖ
À)gÆÜµ„|Ð@gxœ¢#¹<@gˆ…ZÓ¼ã	Àgµ¦yÇÀ)gÞ	Š@g£’:Í@g¥½Á¦Àg
h"lxúÀ)g¡ø1æ®%
@gÕ	h"l8@g•Ô	h"lÀgÑ‘\þCúÀ)gÆÜµ„|Ð@g^ºI«@gz¥,CëÀgþe÷äa¡À)gçŒ(í¾û?gÀ[ Añ£"@g1¬Zdô¿g‚âÇ˜»–ð¿)gu“VŽ@gTã¥›Äà@gëâ6À[Àgl	ù góÀ)g-Cëâ¶@gŒJê4@gšwœ¢#9Àg+ö—Ý“À)gs×òAO@gç§èH.@gtµûËî
Àg?ÆÜµÄÀ)gÒ Þ	
@gŸÍªÏÕÖ@gjMóŽSÀg¼?Æ
À)g,eâX—@g46<½’@gDioð…IÀgøSã¥›ÄÀ)g¡g³ês5@gšž^©@g¯”eˆc]Àgw¾Ÿ/À)gÍÌÌÌÌÌ@gJ+‡@g#J{ƒ/LÀg!°rh‘­À)gøSã¥›Ä	@g…ëQ¸@gÙÎ÷Sã%
Àg¶„|Ð³™À)gžï§ÆK7@gH¿}8ç@g?ÆÜµ„üÀg|a2U0ª	À)g›æ§èH@g§yÇ):’@gÚ¬ú\mÅÀg‘í|?5^À)g¾Ÿ/Ýä@gù g³ê³@g]ÜFx‹ ÀgÐDØðô À)gÈ=›UŸ@g o�ÅÏ@gz6«>—Àg<NÑ‘\¾À)g¡Ö4ï8Å@g‘í|?5Þ@gŒÛh o
Àg`vOêÀ)gq¬‹Ûè@gÜFx$@góÒo_Àgíž<,Ô	À)g¾0™*@g_)ËÇz@gµ¦yÇ):ÀgñôJY†8À)g]þCúí«@gƒ/L¦
† @gôýÔxé&ý¿gQkšwœ¢þ¿)gþCúíë @g¬Zd;¿ @g�(í¾0û¿gh³êsµû¿)g333333Àgffffff!Àgš™™™™™-Àgfffffæ4Àg33333³9Àg     €>À)gÍÌÌÌÌÌ!Àgš™™™™™,Àg     €3Àgš™™™™9Àçš™™™™™=Àç333333AÀ)g      .Àgš™™™™™3ÀçÍÌÌÌÌL9Àr   gÍÌÌÌÌÌ?Àg333333CÀ)g33333³4Àr   gfffffæ=Àr   g     @CÀgš™™™™FÀ)gßà“©‚¡?gH¿}8gä¿r   g3ùf›Ó£¿)gìÀ9#J{õ?gú~j¼t“è¿r   g¥Ú§ã1¥¿)gmV}®¶â@gO@aÃSÀg™dä,ìià?gÅ�1w-¹¿)gY†8ÖÅm@gÍÌÌÌÌÌÀg$0ðÜ{ë?g›�kCÅÀ¿)g…ëQ¸@g†ZÓ¼ãÔÀgßøÚ3Kð?gªCn†ðÁ¿)gîZB>è@gh‘í|?5ì¿r   g„Ó‚}©¿)gôlV}®¶@gM„O¯”ü¿gŠ“ûŠÕ?gd@öz÷Ç³¿)gð…ÉTÁ¨ò?g€H¿}8Ç?g ïU+~×¿r   )gà¾œ3¢@gÛŠýe÷dÀgÆm4€·Àð?gIºfòÍ6Ã¿)gaÃÓ+e™
@gWì/»'ë¿r   gÐ~¤ˆ«¨¿)gMóŽSt$@gµ¦yÇí¿r   gÜ)¬ÿs¨¿)g=,Ôšæý+@g"ýöuàÜ ÀgN^ô•ÿ?g¡ÛK£uÌ¿)góŽSt$—@g0L¦
F%ÀgÓÞà“©â?g‰ÒÞà“¹¿)gÐÕVì/û@gjMóÎÀgÕxé&1ò?g"ŽuqÄ¿)g`vOê@gØðôJY†ì¿r   gcÙ=yX¨¿)gTt$—ÿ�ú?gš™™™™™ð?gÛ¿²Ò¤á¿r   )g?5^ºI @g˜LŒJêñ?gl	ù g³á¿r   )gÁ¨¤N@S&@g cîZB¾Àg ˜£Çoó?g¤6qr¿Ã¿)gù1æ®%d@g
h"lxzò¿r   g/£Xni5¤¿)gjMóŽÓ@gZõ¹ÚŠýð¿r   gsôø½M¦¿)g±áé•² @gª‚QI�€ì?g@M-[ë‹à¿r   )g«ÏÕVì¯@gÈ˜»–�ñ¿r   g¿ñµg–¨¿)g46<½’@g^KÈ=›ï¿r   g¶-Êl�©¿)g	Šc®7@gyé&1L-Àg;Sè¼Æn@gÆ§ Ï Õ¿)r   r   r   gü©ñÒMbP?gñhãˆµøä>)gO¯”eˆß?g9´Èv¾Ÿ@g,eâXw*@g¦›Ä °2(@r   )g¿}8gDø?g<NÑ‘\¾@g?ÆÜõ@gîZB>èY@góŽSt$×@)g8øÂdªà@gßO�—n’@g?W[±¿ì@gxœ¢#¹üë?gñcÌ]KÈö?)g,eâX—@gP�—n@g€·@‚âÇú?gX¨5Í;Ná?gõJY†8Öç?)gÒ Þ	Š
@g	ž^)Ë
@gò°Pkšwô?g?ÆÜÕ?g]þCúíëØ?)g¢E¶óýÔ@géH.ÿ!}@g,Ôšæ§î?gôlV}®¶Ê?g;pÎˆÒÞÈ?)gF¶óýÔxû?gÔ+eâ@gQkšwœb@gê•²q¬ú?r   )g˜LŒJê@gl	ù gó@gÛù~j¼t@g§yÇ):’í?g’\þCúíÛ?)g‹lçû©ñ@g5^ºI@grŠŽäòù?g£’:M„Ý?g¾Ÿ/Ý$â?)gmçû©ñÒ	@g€H¿}¸
@g?ÆÜµó?g[±¿ìž<Ô?g›æ§èHÖ?)g‡§WÊ2D@g:’ËH¿@gB>èÙ¬úî?g¾Á&SË?gioð…ÉTÉ?)g×òAÏ&@g°rh‘íü@gW[±¿ìžè?g�&Â†§WÂ?g-!ôlV½?)go�Å�±@g´Yõ¹ÚJ@gAñcÌ]K@gëâ6À[ä?g      à?)gž^)ËÇ@gaÃÓ+eY@gtF”ö_þ?g_˜LŒâ?gŒ¹k	ù ç?)g[B>èÙ¬@gÈ˜»–�@gÐ³Yõ¹Úö?gH¿}8gØ?g®Gáz®Û?)g¦›Ä °r@g–!Žuq
@gCëâ6ñ?gÉå?¤ß¾Î?g’ËH¿}Í?)gÈ˜»–��@g¢´7øÂä@gà¾œ3¢ê?g{®GázÄ?g¢E¶óýÔÀ?)gx$(~Ì@g‚sF”ö@g9EGrùå?gpÎˆÒÞà»?gµûËîÉ³?)g[±¿ìž¼@gÀ[ Añc@gi o�Åþ?g€H¿}8á?gù1æ®%äã?)g4¢´7øB@g(~Œ¹k‰@g®Ø_vOù?gà-� ø1Ú?gNbX9´Ü?)gh‘í|?5@gL¦
F%õ@g„žÍªÏÕò?gÔšæ§èÐ?gˆc]ÜFÐ?)g‰ÒÞàS@gÍÌÌÌÌL	@gŒJê4í?g¸…ëQ¸Æ?gôlV}®¶Â?)gÇK7‰A`@g’ËH¿ý@g9´Èv¾Ÿæ?gyX¨5Í;¾?gù g³êsµ?)gÉå?d@gÙ=yX(@gn£¼â?g@aÃÓ+µ?gö—Ý“‡…ª?r   r   Nc                 ó  — t         |   }t        |   }t        |   }| ||dz
     kD  ry| ||dz
     k  ry| ||dz
     k  rt        |   |dz
     }nt        |   |dz
     }t        j                  t        |ddd…   | «      «      S )aé  
    Returns MacKinnon's approximate p-value for teststat.

    Parameters
    ----------
    teststat : float
        "T-value" from an Augmented Dickey-Fuller regression.
    regression : str {"c", "n", "ct", "ctt"}
        This is the method of regression that was used.  Following MacKinnon's
        notation, this can be "c" for constant, "n" for no constant, "ct" for
        constant and trend, and "ctt" for constant, trend, and trend-squared.
    N : int
        The number of series believed to be I(1).  For (Augmented) Dickey-
        Fuller N = 1.

    Returns
    -------
    p-value : float
        The p-value for the ADF statistic estimated using MacKinnon 1994.

    References
    ----------
    .. [*] MacKinnon, J.G. 1994  "Approximate Asymptotic Distribution Functions
        for Unit-Root and Cointegration Tests." Journal of Business & Economics
        Statistics, 12.2, 167-76.

    Notes
    -----
    For (A)DF
    H_0: AR coefficient = 1
    H_a: AR coefficient < 1
    r   ç      ð?g        Néÿÿÿÿ)Ú	_tau_maxsÚ	_tau_minsÚ
_tau_starsÚ_tau_smallpsÚ_tau_largepsr   Úcdfr   )ÚteststatÚ
regressionÚNÚlagsÚmaxstatÚminstatÚstarstatÚtau_coefs           ú]C:\Crop_Prediction\Backend\crop-ai-system\venv\Lib\site-packages\statsmodels\tsa\adfvalues.pyr   r   ß   sŸ   € ôB ˜
Ñ#€GÜ˜
Ñ#€GÜ˜*Ñ%€HØ�'˜!˜A™#‘,ÒØØ	�G˜A˜a™C‘LÒ	 ØØ�8˜A˜a™C‘=Ò Ü 
Ñ+¨A¨a©CÑ0‰ô   
Ñ+¨A¨a©CÑ0ˆÜ�8‰8”G˜H¡T r T™N¨HÓ5Ó6Ð6ó    )gôOp±¢†Àg¥,CëâÀgj¼t“Àr   )gu“Vÿ¿g�(í¾0Ñ¿gìQ¸…ë
Àg+‡9?@)g­Lø¥~Þù¿g�St$—ÿÐ?gƒÀÊ¡E¶Àgw¾Ÿ/]9@)g6«>W[qÀgcîZB>(Àgð§ÆK7É0ÀgÁÊ¡E¶ÛSÀ)g‘aoäÀgÈ=›UÀgV-²�ïÀg…ëQ¸DÀ)gÔÔ²µ¾ˆÀg“©‚QI�ø¿gF¶óýÔxÀr   )g$œ¼è+ÀgóÒo_ç%Àgú~j¼tÃ@Àr   )gÆ¢éìd°
Àg�(í¾pÀg˜nƒÀJÀr   )g%uš[ÀgI.ÿ!ýöÀgÃõ(\�ÂÀr   )g°¶-Ê,ÀgW[±¿ìÞ,Àg)\�Âõ˜@Àg�•C‹l·G@)g”¤k&ßìÀgã6À[ !ÀgNbX9´%Àg¬Zdû;@)g>?ŒžÀg–!ŽuqÛÀgX9´Èv¾Àr   )gmsczÂ’Àgµ7øÂd2Àg#Ûù~jüBÀr   )gü©ñÒMbÀg*©ÐDx&Àgš™™™™Y&Àr   )gìÀ9#J{Àg~8gDÉ Àg?5^ºIŒÀr   )g¿ÔÏ›ŠÔÀgl	ù gã5ÀgV-’FÀr   )gE�>‘'©ÀgÛù~j¼,Àgfffff&)Àr   )gô‰<Iº†Àgëâ6À{%ÀgƒÀÊ¡EÀr   )g µ‰“ûÀg—�z6«9Àgu“VÞLÀg7‰A`å(V@)gÀ>:uåÓÀgÐDØðôê0ÀgË¡E¶ó}1Àg7‰A`å N@)gPäIÒ5³Àg     `*ÀçÑ"Ûù~jÀç�—nƒà;@)gê	K< Àgú~j¼t“=Àg¶óýÔxYQÀg=
×£p‰d@)gÕ²µ¾HèÀg»¸�ðæ3ÀgìQ¸…6ÀgbX9´°[@)g·E™2ÉÀgJ+‡v/Àr*   r+   )gx—‹øNÀgOjMÃ@Àgj¼t“ŒTÀg´Èv¾Ÿp@)g{½ûã½êÀgãÇ˜»– 7ÀgL7‰A`¥8ÀgÙÎ÷Sb@)g”¤k&ßÌÀg…|Ð³Ye2ÀgÇK7‰A`Àg+‡ÙÎ·W@)gZ�!«[ýÀg2w-!ÔBÀg�Âõ(\×UÀg'1¬
o@)g<Ú8b-ÞÀg†ÉTÁ¨4:Àg�—nƒ :ÀgNbX9f@)gS³Z�ÁÀgÁ¨¤N@#5Àg+‡ÙÎ÷"ÀgJ+‡–e@)gQ½5°UâÀgzÇ):’ÛDÀgìQ¸…«YÀgáz®GUx@)gÛÄÉýÅÀgˆ…ZÓ¼s=ÀgX9´Èvþ>Àg�—nƒ`o@)gÓ0|DL©Àgª`TR' 8Àgu“VÀg!°rh‘ad@)g•ñï3.¼Àg©¤N@GÀg²�ï§Æ³ZÀgyé&1v@)gâ’ãNé Àg	ù g³j@ÀgfffffF>Àg+‡ÙÎ?o@)gkñ) †ÀgGx$ø:Àg¢E¶óýTÀg‹lçû©íb@)g>yX¨5�Àg‰A`åÐIÀgD‹lçû	_ÀgåÐ"Ûù‚@)glCÅ8sÀg_ÎQ"BÀgq=
×£@@ÀgF¶óýÔ¬s@)g·œKqUYÀg?ÆÜµ„ü=Àg°rh‘í|ÀgÁÊ¡E¶g@)g]›�«ÀgÐÕVì/"Àg!°rh‘m<Àg)\�ÂõÄ`À)g)®*û®HÀg o�Å�ÀgßO�—n"ÀgZd;ß¯FÀ)g‡§WÊ2	ÀgM„O¯ÀgffffffÀgáz®Ga6À)gäž{OÀgª‚QI�à.ÀgôýÔxéÖAÀr   )gæèñ{›>ÀgÚ¬ú\m#ÀgÙÎ÷Sã%(Àr   )gl•`qøÀgú~j¼tSÀgôýÔxé&Àg1¬Zä5@)g‚sF”ö¦Àg0*©ÐÄ2Àg/Ý$�åHÀgV-²�Z@)gDúíëÀyÀgû:pÎÈ'Àg-²�ï3Àgh‘í|?US@)g€Ô&N®Àgi o�%"Àg5^ºI!ÀgÝ$�•³A@)g8øÂdªàÀg¾0™*x6Àgé&1¬LJÀgÕxé&1¨I@)geßÁÿ¶Àg[B>èÙ,-Àgî|?5^:2Àg‰A`åÐÒC@)gÙ±ˆ×•Àg     €&ÀgåÐ"Ûù¾#ÀgË¡E¶óK@)g¦òv„ÓÀg€·@‚â7:ÀgTã¥›ÄÐMÀg¦›Ä °RI@)gx(
ô‰ÜÀgAñcÌ][1Àg)\�Âõ¨6ÀgåÐ"ÛùÖV@)g”í*¤¼Àg�Å�17+Àg`åÐ"Ûy$ÀgD‹lçû1S@)gÄÎ:¯Àg`åÐ"Ûù=Àg‘í|?5ÎRÀgj¼t“Hi@)g=îÎÚíÀg®GázN4ÀgÓMbX99Àg)\�Âõ€`@)g¬ÿs˜/ÏÀgU0*© 0Àgyé&1¬#ÀgÅ °rh‘W@)g«[='½ÀgZd;ßOõ@Àg‡ÙÎ÷UÀgøSã¥›¬n@)g.9î”îÀgÚ|a2U7Àg®Gázô<Àgmçû©ñÊf@)gÅþ²{òÐÀgê46¼2Àg¼t“V$ÀgÍÌÌÌÌ$^@)gUDÝ Àg6Í;NÑñBÀg¬ZdXÀg…ëQ¸þt@)g©j‚¨ûàÀgîëÀ9#z:ÀgbX9´?Àgáz®G…k@)g‘aoÄÀgtµûËn5ÀgÁÊ¡E¶s%ÀgÃõ(\�¾c@)gÜº›§:äÀg$(~ŒùDÀgªñÒMbx[Àg+‡!}@)ge6È$#ÇÀgeâX·=Àg1¬Zä@Àgyé&1q@)g–¨©e«Àgµ¦yÇI8Àg^ºI+!Àg�—nƒ<e@)gçR\Uö½Àg‚âÇ˜»GÀgj¼t“4^ÀgÝ$�•¶�@)gC9Ñ®¢Àg—�z6ƒ@Àg´Èv¾ŸšBÀg/Ý$£u@)gÖVì/»‡ÀgÜ×�sF4;Àg^ºI+ÀgZd;ßO5f@)gÊl�IFŽÀgÉå?¤ß6IÀg–C‹lç`Àgh‘í|?„@)gM¾ÙæÆtÀg^ºI;BÀgsh‘í|BÀg¾Ÿ/ÝÈu@)g´Èv¾ŸZÀgP�—n3>ÀgôýÔxé¦Àg‰A`åÐJj@)g‚V`ÈêVÀgÞ	Š[KÀgš™™™™yaÀg^ºI‡@)gXç�½>ÀgÎQÚûCÀg¦›Ä °‚BÀg‰A`åÐ`y@)gL7‰A`%Àg¼–�zž@Àg�•C‹lÀg#Ûù~jÜs@)gB²€	|Àg°çŒ(-'ÀgF¶óýÔèAÀg˜nƒÀàtÀ)g¸#œ¼¨ÀgåòÒoŸÀg{®Gáú(ÀgV-’]À)gÌz1”mÀgfˆc]ÜFÀgyé&1,Àgd;ßO�ÇOÀ)ghèŸàbÅÀg
h"lx:4Àg‰A`åÐ:PÀgj¼t“8V@)g“Wç��ÀgåòÒoŸ*ÀgôýÔxéf<Àg�•C‹l/R@)gÍé²˜ØüÀgvOjí$ÀgœÄ °rh1Àgyé&1”P@)gØG§®|öÀgØðôJY–7ÀgB`åÐ";SÀg/Ý$g@)gUö]üÏÀgÎˆÒÞà‹/ÀgœÄ °r(@Àg…ëQ¸­^@)gÅþ²{ò°Àgz6«>Wû(Àg¶óýÔxé1Àg
×£p=ÒT@)g§yÇ):ÀgF%ušH;Àg /Ý$¾SÀgZd;ß;a@)g!YÀîÀg$(~Œ¹{2Àg     à?Àg?5^ºIô[@)g�6ŽX‹ÏÀgãÇ˜»–p-ÀgòÒMbø1Àg{®GázY@)gÍ#0ðÀgœ3¢´ç>Àg�Âõ(\WÀgP�—no@)g{Úá¯ÉúÀg#Ûù~j<5ÀgHáz®×BÀg-²�ï§Fh@)gÀxÝÀg¢E¶óý1Àg¨ÆK7‰¡2Àg/Ý$�a@)g*ãßg\Àg}?5^ºYAÀg‡ÙÎ÷{ZÀg`åÐ"ÛŸx@)gJ˜iû÷ÀgÖVì/»78ÀgÝ$�•“CÀg7‰A`åm@)gìL¡óÛÀg^KÈ=›3ÀgÏ÷Sã¥Û2ÀgÅ °rhÝe@)g Tût<ÀgƒQI�€^CÀg…ëQ¸&[ÀgÙÎ÷SÓv@)gœÜïPèÀg°rh‘íL;Àg9´Èv¾¿CÀgL7‰A`Ýn@)g%Ì´ýËÀgû\mÅþB6Àg)\�Âõè1Àg+‡ÙÎj@)gåD»
éÀgzÇ):’[EÀg+‡ÙÎç]Àg¸…ëQVz@)gê	K< ÌÀg9´Èv¾o>Àgfffff&FÀgHáz®—u@)g6«>W[±ÀgÕçj+ö÷8Àgã¥›Ä °3Àg¬Zd'q@)gR›8¹ßÁÀg~Œ¹k	aGÀg'1¬aÀg×£p=
[„@)g»›§:ä¦Àg©¤N@á@Àg+‡ÙÎWEÀgòÒMbªu@)g±ù¸6TŒÀg/Ý$�å;ÀgÃõ(\�Â+Àg33333Ÿm@)g¨WÊ2Ä‘Àg¡Ö4ï8}IÀgX9´È.bÀgçû©ñÒ�‡@)g2ÉÈYxÀgºI+‡BÀgyé&1\HÀg®Gázž}@)g<NÑ‘\^ÀgVŸ«­ØÏ>ÀgÇK7‰Aà-Àgj¼t“Às@)gÓÁú?‡YÀg[±¿ìž¤KÀgF¶óýÔcÀgV-²�Äˆ@)g6ñº~AÀgôlV}FDÀg¦›Ä °bGÀg)\�Âõr~@)gc´Žª&(ÀgÃõ(\�ò@ÀgX9´Èv>"Àg´Èv¾ŸÒq@)gµTÞŽpÀg0L¦
FÍMÀg²�ï§ÆËdÀgyé&1ïŽ@)g28J^�Àgà¾œ3
FÀgåÐ"ÛùžGÀg'1¬ÿ€@)g^€}têêÀgÝµ„|Ð{BÀg#Ûù~j¼%Àg´Èv¾Ÿ&z@c                 ó¸   — |}|dvrt        d|z  «      ‚t        |   }|t        u r|| dz
  dd…df   S || dz
  dd…ddd…f   }t        |j                  d|z  «      S )a0  
    Returns the critical values for cointegrating and the ADF test.

    In 2010 MacKinnon updated the values of his 1994 paper with critical values
    for the augmented Dickey-Fuller tests.  These new values are to be
    preferred and are used here.

    Parameters
    ----------
    N : int
        The number of series of I(1) series for which the null of
        non-cointegration is being tested.  For N > 12, the critical values
        are linearly interpolated (not yet implemented).  For the ADF test,
        N = 1.
    reg : str {'c', 'tc', 'ctt', 'n'}
        Following MacKinnon (1996), these stand for the type of regression run.
        'c' for constant and no trend, 'tc' for constant with a linear trend,
        'ctt' for constant with a linear and quadratic trend, and 'n' for
        no constant.  The values for the no constant case are taken from the
        1996 paper, as they were not updated for 2010 due to the unrealistic
        assumptions that would underlie such a case.
    nobs : int or np.inf
        This is the sample size.  If the sample size is numpy.inf, then the
        asymptotic critical values are returned.

    References
    ----------
    .. [*] MacKinnon, J.G. 1994  "Approximate Asymptotic Distribution Functions
        for Unit-Root and Cointegration Tests." Journal of Business & Economics
        Statistics, 12.2, 167-76.
    .. [*] MacKinnon, J.G. 2010.  "Critical Values for Cointegration Tests."
        Queen's University, Dept of Economics Working Papers 1227.
        http://ideas.repec.org/p/qed/wpaper/1227.html
    )r   r   r   r   z$regression keyword %s not understoodr   Nr   r   r   )Ú
ValueErrorÚ	tau_2010sr   r   ÚT)r"   r!   ÚnobsÚregÚtauÚvals         r(   r	   r	   —  su   € ðF €CØ
Ð)Ñ)ÜÐ?À#ÑEÓFÐFÜ
�C‰.€CØŒs�{Ø�1�Q‘3š˜1�9‰~Ðà�!�A‘#’q™$˜B˜$�,ÑˆÜ�s—u‘u˜b ™gÓ&Ð&r)   )r   r   N)7Úscipy.statsr   Únumpyr   r   r   r   Ú__all__Útau_star_ncÚ
tau_min_ncÚ
tau_max_ncÚ
tau_star_cÚ	tau_min_cÚ	tau_max_cÚtau_star_ctÚ
tau_min_ctÚ
tau_max_ctÚtau_star_cttÚtau_min_cttÚtau_max_cttr   r   r   Úsmall_scalingÚtau_nc_smallpÚtau_c_smallpÚtau_ct_smallpÚtau_ctt_smallpr   Úlarge_scalingÚtau_nc_largepÚtau_c_largepÚtau_ct_largepÚtau_ctt_largepr   Ú	z_star_ncÚz_star_cÚ	z_star_ctÚ
z_star_cttÚz_nc_smallpÚ
z_c_smallpÚz_ct_smallpÚz_ctt_smallpÚz_large_scalingÚz_nc_largepÚ
z_c_largepÚz_ct_largepÚz_ctt_largepr   Útau_nc_2010Ú
tau_c_2010Útau_ct_2010Útau_ctt_2010r.   r	   © r)   r(   ú<module>r_      so  ðÝ ß .Ó .à˜Ð
)€ò
 9€Ú=€
Ø�4˜˜t T¨4Ð0€
Ú7€
Ú<€	Ú-€	Ú8€Ú=€
Ú0€
Ú9€Ú=€Ú2€ð 
Ø	Ø
Øñ	€	ð 
Ø	Ø
Øñ	€	ð 
Ø	Ø
Øñ	€
ñ ’lÓ#€âÚÚÚÚÚð€ñ ˜Ó& }Ñ4€ò ÚÚÚÚÚð€ñ �|Ó$ ]Ñ2€ò ÚÚÚÚÚð€ñ ˜Ó& }Ñ4€ò ÚÚÚÚÚð€ñ ˜Ó(¨Ñ6€ð 
Ø	Ø
Øñ	€ñ Ò+Ó,€â%Ú$Ú&Ú&Ú&Ú%ð'€ñ ˜Ó& }Ñ4€ò 'Ú&Ú&Ú&Ú&Ú%ð'€ñ �|Ó$ ]Ñ2€ò 'Ú#Ú$Ú%Ú%Ú&ð(€ñ ˜Ó& }Ñ4€ò 'Ú%Ú&Ú&Ú%Ú&ð(€ñ ˜Ó(¨Ñ6€ð 
Ø	Ø
Øñ	€ò 5€	Ú4€Ú6€	Ú7€
ñ ÚÚ Ú&Ú&Ú'Ú ð"ó #€ñ Ú&ÚÚ'Ú Ú Ú(ð*ó +€
ñ Ú&Ú%Ú!Ú!Ú Ú(ð*ó +€ñ Ú"Ú"Ú!Ú"Ú"Ú)ð+ó ,€ñ Ò3Ó4€ÙÚ'Ú,Ú,Ú,Ú,Ú+ð-ó .€ð ˆÑ €áÚ&Ú+Ú)Ú+Ú,Ú,ð.ó /€
ð ˆoÑ €
áÚ)Ú,Ú,Ú+Ú*Ú,ð.ó /€ð ˆÑ €áÚ,Ú,Ú+Ú,Ú*Ú,ð.ó /€ð �Ñ €ó-7òl #Ú'Ú&ð(ð )€ñ �kÓ"€ò +Ú)Ú#ð%ò &Ú#Ú#ð%ò +Ú)Ú#ð%ò &Ú%Ú#ð%ò &Ú%Ú$ð&ò +Ú*Ú)ð+ò ,Ú+Ú)ð+ò ,Ú+Ú)ð+ò ,Ú+Ú*ð,ò ,Ú+Ú*ð,ò -Ú+Ú*ð,ò -Ú+Ú*ð,ðE$-€
ñJ �ZÓ €
ò ,Ú)Ú)ð+ò &Ú$Ú(ð*ò ,Ú*Ú(ð*ò +Ú*Ú)ð+ò +Ú*Ú*ð,ò ,Ú*Ú)ð+ò ,Ú+Ú+ð-ò +Ú+Ú+ð-ò -Ú+Ú*ð,ò -Ú+Ú*ð,ò -Ú+Ú*ð,ò -Ú+Ú*ð,ðE$-€ñJ �kÓ"€ò -Ú+Ú)ð+ò +Ú*Ú*ð,ò ,Ú+Ú*ð,ò ,Ú+Ú*ð,ò ,Ú+Ú+ð-ò -Ú+Ú+ð-ò -Ú+Ú+ð-ò -Ú*Ú+ð-ò ,Ú+Ú+ð-ò -Ú*Ú+ð-ò -Ú+Ú*ð,ò -Ú+Ú+ð-ðE$.€ñJ �|Ó$€ð 
Ø	Ø
Øñ	€	ð  #¨Cô +'r)   