平稳时间序列与非平稳时间序列

一、原理说明：核心是“统计特性的时间稳定性”

时间序列是按时间顺序排列的数据（如每日气温、每月销售额），其核心属性是“时间依赖性”。平稳与非平稳的本质区别，在于这种依赖关系及其他统计特性（均值、方差等）是否随时间推移而改变。

1. 平稳时间序列（Stationary Time Series）

平稳时间序列的核心定义：序列的统计特性（均值、方差、自协方差等）不随时间的推移而变化。实际应用中，我们通常关注“宽平稳（Weakly Stationary，也叫二阶平稳）”，其满足3个关键条件：

• 条件1：均值恒定
  序列在任意时间点的均值（平均值）始终不变，即 $E[X_t]=\mu$（$\mu$ 为常数，与时间 $t$ 无关）。
  例：若某地区每日午后2点的温度均值始终为25℃（无长期变暖/变冷趋势），则满足均值恒定。

• 条件2：方差恒定
  序列在任意时间点的方差（波动程度）始终不变，即 $Var[X_t]={\sigma }^2$（${\sigma }^2$ 为常数，与时间 $t$ 无关）。
  例：上述地区午后2点温度的波动范围始终是23-27℃（方差稳定），而非逐年扩大或缩小。

• 条件3：自协方差仅依赖“时间间隔”
  序列在两个时间点 $t$ 和 $t+k$（$k$ 为时间间隔，如间隔1天、间隔1个月）的关联程度（自协方差），仅由 $k$ 决定，与具体时间 $t$ 无关，即 $Cov(X_t,X_{t+k})=\gamma (k)$（$\gamma (k)$ 仅依赖 $k$）。
  例：“今日与明日午后2点温度的关联度”，和“100天后与101天后午后2点温度的关联度”相同，仅由“间隔1天”这个距离决定。

补充：严平稳（Strictly Stationary）是更强的条件，要求所有统计特性（包括高阶矩、分布函数）均不随时间变化。在数据服从正态分布时，宽平稳与严平稳等价（正态分布由均值和方差完全决定）。

2. 非平稳时间序列（Non-Stationary Time Series）

非平稳时间序列的核心定义：不满足平稳性条件的时间序列，即其均值、方差或自协方差至少有一个随时间推移而变化。
常见的非平稳来源包括：

• 趋势（Trend）：均值随时间持续上升/下降（如GDP增长、人口数量变化）。
• 季节性（Seasonality）：均值随固定周期波动（如春节前超市销售额上升、夏季用电量增加）。
• 结构突变（Structural Break）：均值/方差因突发事件突然改变（如疫情后线下客流量骤降、政策调整后的房价波动）。
  
  图 : 图中的时间序列有哪些是平稳的？（a）连续292天的谷歌股价; （b）连续292天谷歌股价的每日变化量; （c）美国各年的罢工总次数; （d）美国独立家庭住宅的每月价格; （e）按不变美元计算的美国的鸡蛋价格; （e）每月在澳大利亚维多利亚州被屠宰的猪的数量; （g）每年在加拿大西北的麦肯齐河停留的猞猁数量; （h）澳大利亚每月啤酒产量; （i）澳大利亚每月发电量

考虑图中的九个时间序列，其中有哪些是平稳的时间序列？

显然存在季节性的序列（d）、（h）和（i）可以被排除。存在趋势的序列（a）、（c）、（e）、（f）和（i）也应该被排除，除此之外，序列（i）的方差随时间增大，也不符合平稳时间序列的性质。用上述方法排除后，剩下的（b）和（g）是平稳时间序列。

序列（g）的循环变化让它第一眼看上去不太平稳，但是这种变化其实是不定期的——当猞猁的数量超过食物承载的上限时，它们会停止繁殖从而使得数量回落到非常低的水平，之后食物来源的再生使得猞猁数量重新增长，周而复始。从长期来看，这种循环的时间点是不能预测的，因此序列（g）是平稳的。

二、对比分析：平稳 vs 非平稳时间序列

通过下表可清晰对比两者的核心差异：

对比维度	平稳时间序列（Stationary）	非平稳时间序列（Non-Stationary）
统计特性稳定性	均值、方差、自协方差均不随时间变化	均值、方差或自协方差至少一项随时间变化
均值	恒定（$E[X_t]=\mu$）	随时间变化（$E[X_t]=\mu (t)$，$\mu (t)$ 是时间函数）
方差	恒定（$Var[X_t]={\sigma }^2$）	可能随时间增大/减小（如 $Var[X_t]={\sigma }^2(t)$）
自协方差	仅依赖时间间隔 $k$（$Cov(X_t,X_{t+k})=\gamma (k)$）	依赖时间间隔 $k$ 和具体时间 $t$（$Cov(X_t,X_{t+k})=\gamma (t,k)$）
数据可视化特征	围绕固定值随机波动，无明显趋势/季节规律	有明显上升/下降趋势，或固定周期的波动
建模难度	简单，可直接用ARMA、MA等模型	复杂，需先转化为平稳序列（如差分、去趋势），再用ARIMA等模型
长期预测可靠性	较高（统计特性稳定）	较低（趋势/季节可能变化，需频繁更新模型）

三、实例说明：3个平稳与3个非平稳案例

实例需结合平稳性条件，明确说明“为何属于该类型”，避免仅靠直观判断。

1. 平稳时间序列实例（3个）

实例1：实验室恒温环境下的温度监测

• 场景：某化学实验室通过精密空调维持25℃恒温，每10分钟记录一次温度（排除设备故障、人员进出等干扰）。
• 平稳性分析：
  • 均值：长期来看，温度均值稳定在25℃左右，无上升/下降趋势；
  • 方差：温度波动范围始终在24.8-25.2℃，方差恒定；
  • 自协方差：间隔10分钟（$k=1$）的温度关联度（如第1次与第2次、第100次与第101次）基本一致，仅依赖间隔 $k$。
    因此满足宽平稳条件。

实例2：股票的日收益率（非价格）

• 场景：某只大盘股（如茅台）的每日收益率（收益率=（今日收盘价-昨日收盘价）/昨日收盘价）。
• 平稳性分析：
  • 均值：长期来看，股票收益率的均值围绕0附近波动（无持续盈利/亏损趋势）；
  • 方差：收益率的波动程度（风险）相对稳定（除非有极端事件，如跌停/涨停，但极端值占比低）；
  • 自协方差：间隔1天的收益率关联度（今日与明日）、间隔2天的关联度（今日与后日）基本稳定，与具体时间无关。
    注意：股票价格是非平稳的（有上涨/下跌趋势），但收益率通常被假设为平稳，这是金融时间序列建模的基础。

实例3：某小区每日固定时段的噪声值

• 场景：某居民区每日晚8点记录的环境噪声值（排除节假日、装修等特殊情况）。
• 平稳性分析：
  • 均值：晚8点是居民活动稳定时段，噪声均值稳定在50分贝左右；
  • 方差：噪声波动范围（45-55分贝）恒定，无逐年增大/减小；
  • 自协方差：间隔1天的噪声关联度（今日与明日晚8点）与间隔10天的关联度基本一致。
    因此属于平稳序列。

2. 非平稳时间序列实例（3个）

实例1：中国历年GDP总量（1978-2023）

• 场景：国家统计局发布的年度GDP数据（单位：万亿元）。
• 非平稳性分析：
  • 均值：GDP从1978年的0.36万亿元增长到2023年的126万亿元，均值随时间持续上升（存在明显增长趋势）；
  • 方差：GDP的年度增量（如2023年比2022年增加约6万亿元，1990年比1989年增加约0.1万亿元）也随时间增大，即方差不恒定。
    因均值和方差均随时间变化，属于非平稳序列。

实例2：某超市月度销售额（2020-2024）

• 场景：某连锁超市的月度销售额（单位：万元）。
• 非平稳性分析：
  • 趋势：销售额从2020年的每月50万元缓慢增长到2024年的每月80万元（长期增长趋势）；
  • 季节性：每年1月（春节前）和12月（双12）销售额显著高于其他月份（如2023年1月销售额120万元，同年6月仅70万元），即均值随固定周期（12个月）波动。
    因存在趋势和季节性，均值随时间变化，属于非平稳序列。

实例3：某城市年度平均温度（1900-2023）

• 场景：某城市气象局记录的年度平均温度（单位：℃）。
• 非平稳性分析：
  • 均值：1900年平均温度为15℃，1950年为15.5℃，2023年为17℃，均值随时间缓慢上升（受全球变暖影响，存在长期上升趋势）；
  • 方差：虽然年度温度波动范围（如±1℃）相对稳定，但均值的持续上升已导致序列不满足平稳性的核心条件（均值恒定）。
    因此属于非平稳序列。

总结

• 平稳序列的本质是“统计特性不变”，可直接建模，适合短期/长期预测；
• 非平稳序列的本质是“统计特性随时间变”（趋势、季节等），需先通过差分（如ARIMA模型）、去趋势、季节调整等方法转化为平稳序列，再进行分析；
• 实际应用中，判断序列是否平稳的常用方法包括：直观观察（是否有趋势/季节）、统计检验（如ADF检验、PP检验）。

要理解非平稳时间序列的转换逻辑，需先明确“转换的必要性”——平稳性是绝大多数经典时间序列模型（如ARMA、ARIMA）的核心前提，非平稳序列的统计特性随时间变化，会导致建模偏差、预测失效等问题。以下从“为什么转”“怎么转”“实例说明”三方面展开，结合具体场景让转换逻辑更清晰。

一、为什么要将非平稳时间序列转为平稳时间序列？

非平稳序列的核心问题是统计特性（均值、方差、自协方差）随时间变化，这会直接破坏经典模型的假设，导致三大关键问题：

1. 经典模型无法适用（建模前提不满足）

绝大多数时间序列模型（如ARMA、MA、AR）的设计基础是“平稳性”——假设序列的均值、方差恒定，自协方差仅依赖时间间隔。若直接对非平稳序列建模：

• 模型参数（如AR的滞后系数）会随时间变化，无法固定；
• 模型拟合结果无意义，比如用有增长趋势的GDP数据直接建AR模型，会因均值持续上升导致残差不满足“白噪声”假设。

2. 预测结果严重偏差（可靠性丧失）

非平稳序列的趋势、季节波动会持续影响未来值，若不转换直接预测：

• 例：用2010-2020年的GDP（年均增长6%）直接预测2021年值，模型会忽略“增长趋势”，仅基于历史波动预测，结果远低于实际值；
• 平稳序列的统计特性稳定，预测时只需基于“历史波动规律”，结果更可靠。

3. 统计推断失效（易出现伪回归）

非平稳序列可能存在“伪回归”问题：两个无实际关联的非平稳序列，因均有趋势或季节波动，回归分析时会显示“显著相关”，导致错误结论。

• 例：“某城市每年冰淇淋销量”（夏季高、冬季低，非平稳）与“某河流每年汛期水位”（夏季高、冬季低，非平稳），直接回归会显示“正相关”，但两者无实际因果关系，仅因季节波动巧合一致；
• 转换为平稳序列后，伪回归问题会消失，统计推断（如相关性检验、回归分析）才有效。

二、如何将非平稳时间序列转为平稳时间序列？

非平稳序列的“非平稳来源”不同（趋势、季节、方差不齐），对应转换方法也不同。核心思路是消除“随时间变化的统计特性”，常用方法分为四类，需根据非平稳类型选择：

非平稳类型	适用转换方法	核心逻辑	适用场景举例
存在线性趋势（均值随时间线性上升/下降）	1. 线性去趋势；2. 一阶差分	去趋势：用线性回归拟合趋势项，从原序列中减去趋势项； 差分：用后一期值减前一期值，抵消线性增长/下降。	GDP、人口数量、年度用电量
存在季节波动（均值随固定周期波动）	1. 季节调整（如X-12-ARIMA、SEATS）；2. 季节差分	季节调整：分离出季节项并剔除； 季节差分：用当期值减“上一周期同期值”（如1月值减去年1月值）。	月度销售额、季度旅游人数、月度用电量
存在非线性趋势（均值呈指数/对数增长）	1. 对数/幂变换；2. 非线性去趋势（如多项式拟合）	对数变换：将指数增长转为线性增长（如$y_t=\ln (x_t)$），再用差分消除线性趋势； 多项式拟合：用二次/三次函数拟合非线性趋势并剔除。	高新技术企业营收（指数增长）、用户数增长
存在方差不齐（方差随时间增大/减小）	1. 对数变换；2. 平方根变换；3. Box-Cox变换	变换后使方差恒定（如指数增长数据的方差随均值增大，取对数后方差稳定）。	商品销量（增长期方差增大）、股票价格

关键原则：转换后需验证平稳性——常用方法为“直观观察”（无明显趋势/季节）和“统计检验”（如ADF检验、PP检验），若检验结果显示“拒绝非平稳假设”，则转换成功。

三、3个实例：非平稳序列转平稳序列的具体过程

以下实例覆盖“线性趋势”“季节波动”“非线性趋势+方差不齐”三类典型非平稳场景，每个实例包含“原序列特征→转换方法→转换步骤→平稳性验证”，确保可落地。

实例1：有线性趋势的GDP数据（用“一阶差分”转换）

1. 原序列特征（非平稳原因）

某国2010-2020年GDP数据（单位：万亿元）：54.0、59.5、64.4、68.9、74.6、83.2、91.9、98.7、101.4、114.4、126.0

• 直观观察：GDP从54万亿增长到126万亿，均值随时间线性上升（存在明显线性趋势）；
• 统计检验：ADF检验P值=0.85（远大于0.05），无法拒绝“非平稳假设”，确认为非平稳序列。

2. 转换方法：一阶差分

一阶差分公式：$\Delta x_t=x_t-x_{t-1}$（当期值减前一期值，消除线性趋势）。

3. 转换步骤

计算2011-2020年的一阶差分序列（共10个值）：

年份	原GDP（x_t）	一阶差分（Δx_t = x_t - x_{t-1}）
2010	54.0	-（无前期数据）
2011	59.5	59.5 - 54.0 = 5.5
2012	64.4	64.4 - 59.5 = 4.9
2013	68.9	68.9 - 64.4 = 4.5
2014	74.6	74.6 - 68.9 = 5.7
2015	83.2	83.2 - 74.6 = 8.6
2016	91.9	91.9 - 83.2 = 8.7
2017	98.7	98.7 - 91.9 = 6.8
2018	101.4	101.4 - 98.7 = 2.7
2019	114.4	114.4 - 101.4 = 13.0
2020	126.0	126.0 - 114.4 = 11.6

4. 平稳性验证

• 直观观察：差分序列（5.5、4.9、4.5…11.6）围绕均值（约7.3）波动，无明显上升/下降趋势；
• 统计检验：ADF检验P值=0.03（小于0.05），拒绝“非平稳假设”，转换后的序列为平稳序列。

实例2：有季节波动的月度销售额（用“季节差分+线性去趋势”转换）

1. 原序列特征（非平稳原因）

某超市2022-2023年月度销售额（单位：万元）：
2022年：50、45、48、52、55、60、58、62、65、70、85、90
2023年：95、100、92、98、105、110、108、115、120、125、140、145

• 直观观察：① 长期趋势：销售额从50万增长到145万，均值逐年上升；② 季节波动：每年1月（春节前）、12月（双12）销售额显著高于其他月份（如2022年1月50万，12月90万），均值随12个月周期波动；
• 统计检验：ADF检验P值=0.92，确认为非平稳序列。

2. 转换方法：季节差分（消除季节波动）+ 线性去趋势（消除长期趋势）

• 季节差分：因周期为12个月，公式为${\Delta }_{12}{x}_t=x_t-x_{t-12}$（当期值减“上一年同期值”，消除季节波动）；
• 线性去趋势：对季节差分后的序列拟合线性趋势，剔除趋势项，确保均值恒定。

3. 转换步骤

第一步：季节差分（计算2023年1-12月的季节差分序列）

2023年月份	原销售额（x_t）	2022年同期销售额（x_{t-12}）	季节差分（Δ_{12}x_t = x_t - x_{t-12}）
1月	95	50	95 - 50 = 45
2月	100	45	100 - 45 = 55
3月	92	48	92 - 48 = 44
4月	98	52	98 - 52 = 46
5月	105	55	105 - 55 = 50
6月	110	60	110 - 60 = 50
7月	108	58	108 - 58 = 50
8月	115	62	115 - 62 = 53
9月	120	65	120 - 65 = 55
10月	125	70	125 - 70 = 55
11月	140	85	140 - 85 = 55
12月	145	90	145 - 90 = 55

第二步：线性去趋势（对季节差分序列拟合趋势）

• 季节差分序列：45、55、44、46、50、50、50、53、55、55、55、55
• 拟合线性趋势：设趋势项为$y_t=a+bt$（t=1到12），通过线性回归得$y_t=46.2+0.7t$；
• 去趋势后序列：${\text{平稳序列}}_t={\Delta }_{12}{x}_t-y_t$，计算结果（示例前5个）：
  1月：45 - (46.2+0.7×1) = -1.9；2月：55 - (46.2+0.7×2)=6.4；3月：44 - (46.2+0.7×3)=-4.3；4月：46 - (46.2+0.7×4)=-2.0；5月：50 - (46.2+0.7×5)=0.3…

4. 平稳性验证

• 直观观察：去趋势后的序列围绕0波动，无季节波动和长期趋势；
• 统计检验：ADF检验P值=0.02，确认为平稳序列。

实例3：非线性趋势+方差不齐的用户增长数据（用“对数变换+一阶差分”转换）

1. 原序列特征（非平稳原因）

某APP2021年1-12月的月活用户数（单位：万人）：10、15、22、33、49、73、110、165、248、372、558、837

• 直观观察：① 非线性趋势：用户数从10万增长到837万，呈指数增长（1月10万，12月837万，增长速度越来越快）；② 方差不齐：前期波动小（1-3月波动7万），后期波动大（10-12月波动265万），方差随均值增大而增大；
• 统计检验：ADF检验P值=0.98，确认为非平稳序列。

2. 转换方法：对数变换（消除方差不齐+将指数趋势转为线性趋势）+ 一阶差分（消除线性趋势）

• 对数变换：取自然对数$y_t=\ln (x_t)$，指数增长的$x_t$会转为线性增长的$y_t$，且方差会稳定；
• 一阶差分：$\Delta y_t=y_t-y_{t-1}$，消除对数变换后的线性趋势，得到平稳序列。

3. 转换步骤

第一步：对数变换（计算$y_t=\ln (x_t)$）

月份	原用户数（x_t，万）	对数变换（y_t = ln(x_t)）
1	10	ln(10)≈2.30
2	15	ln(15)≈2.71
3	22	ln(22)≈3.09
4	33	ln(33)≈3.50
5	49	ln(49)≈3.89
6	73	ln(73)≈4.29
7	110	ln(110)≈4.70
8	165	ln(165)≈5.01
9	248	ln(248)≈5.51
10	372	ln(372)≈5.92
11	558	ln(558)≈6.32
12	837	ln(837)≈6.73

第二步：一阶差分（计算$\Delta y_t=y_t-y_{t-1}$）

月份	对数变换（y_t）	一阶差分（Δy_t = y_t - y_{t-1}）
1	2.30	-（无前期数据）
2	2.71	2.71 - 2.30 = 0.41
3	3.09	3.09 - 2.71 = 0.38
4	3.50	3.50 - 3.09 = 0.41
5	3.89	3.89 - 3.50 = 0.39
6	4.29	4.29 - 3.89 = 0.40
7	4.70	4.70 - 4.29 = 0.41
8	5.01	5.01 - 4.70 = 0.31
9	5.51	5.51 - 5.01 = 0.50
10	5.92	5.92 - 5.51 = 0.41
11	6.32	6.32 - 5.92 = 0.40
12	6.73	6.73 - 6.32 = 0.41

4. 平稳性验证

• 直观观察：差分序列（0.41、0.38、0.41…0.41）围绕均值（约0.40）波动，无趋势，方差稳定；
• 统计检验：ADF检验P值=0.01，确认为平稳序列。

四、总结：转换的核心逻辑与关键原则

1. 核心逻辑：转换的目的是“消除非平稳来源（趋势、季节、方差不齐）”，让序列满足“均值恒定、方差恒定、自协方差仅依赖时间间隔”的平稳性条件，从而适配经典模型、保证预测与推断的可靠性。
2. 关键原则：
   • 先诊断非平稳类型（趋势？季节？方差不齐？），再选择对应方法（趋势→差分/去趋势，季节→季节差分，方差不齐→对数变换）；
   • 转换后必须验证平稳性（ADF检验+直观观察），避免“假平稳”；
   • 优先选择简单方法（如一阶差分比非线性去趋势更易解释），复杂方法需结合业务意义。

通过以上转换，非平稳序列可转化为平稳序列，为后续的建模分析（如销量预测、风险评估）奠定基础。