手把手教你用Python处理非平稳时间序列_怎么对不平稳序列进行差分(1)

显然，通过作图，可以看到序列的趋势(变化的均值)，然而，这种目视检测方法得到的结果可能不准确。最好是用一些统计检验方法来验证观测结果。

统计检验

可以利用统计检验来代替目视检验：比如单位根平稳检验。单位根表名给定序列的统计特性（均值，方差和协方差）不是时间的常数，这是平稳时间序列的先决条件。下面是它的数学解释：

假设我们有一个时间序列：

其中yt是t时刻的数据值，ε t 是误差项。需要利用yt-1的值来计算yt，即：

如果利用所有的观察值，yt 的值将是：

假设在上述方程中a的值为1(单位)，则预测值将等于yt-n 和从t-n到t的所有误差之和，这意味着方差将随着时间的推移而增大，这就是时间序列中的单位根。众所周知，平稳时间序列的方差不能是时间的函数。单元根检验通过检查a=1的值来检查序列中是否存在单位根。以下是两个最常用的单位根平稳检测方法：

ADF（增补迪基-福勒）检验The Dickey Fuller test is one of the most popular statistical tests. It can be used to determine the presence of unit root in the series, and hence help us understand if the series is stationary or not. The null and alternate hypothesis of this test are:

迪基-福勒（Dickey Fuller）检验是最流行的统计检验方法之一，可以用它来确定序列中单位根的存在，从而帮助判断序列是否是平稳。这一检验的原假设与备择假设如下：

**原假设：**序列有一个单位根(a=1的值)

**备择假设：**该序列没有单位根。

如果不能拒绝原假设，则该序列是非平稳的，这意味着序列可以是线性的，也可以是差分平稳的(将在下一节中更多地了解差分平稳)。

Python代码：

**ADF检验结果：**ADF检验的统计量为1%，p值为5%，临界值为10%，置信区间为10%。我们对本序列的检验结果如下：

平稳性检验：如果检验统计量小于临界值，我们可以拒绝原假设(也就是序列是平稳的)。当检验统计量大于临界值时，不能拒绝原假设(这意味着序列不是平稳的)。

在上面的例子中，检验统计量>临界值，这意味着序列不是平稳的。这证实了我们最初在目视检测中观察的结果。

KPSS（科瓦特科夫斯·基菲利普·斯施密特·辛）检验KPSS检验是另一种用于检查时间序列的平稳性 (与迪基-福勒检验相比稍逊一筹) 的统计检验方法。KPSS检验的原假设与备择假设与ADF检验的原假设与备择假设相反，常造成混淆。

KPSS检验的作者将原假设定义为趋势平稳，并将备择假设定义为单位根序列。我们将在下一节详细了解趋势平稳。现在，来看一下KPSS检验的实现，并查看KPSS检验的结果。

**原假设：**序列是趋势平稳的。

**备择假设：**序列有一个单位根(序列是非平稳的)。

Python代码：

**KPSS检验结果：**KPSS检验-检验统计量、p-值和临界值和置信区间分别为1%、2.5%、5%和10%。对于航空乘客数据集的检验结果如下：

平稳性检验：如果检验统计量大于临界值，则拒绝原假设(序列不是平稳的)。如果检验统计量小于临界值，则不能拒绝原假设(序列是平稳的)。对于航空乘客数据集来说，在所有置信区间，检验统计量的值都大于临界值，因此可以说该序列是不平稳的。

在为时间序列数据集准备模型之前，通常会同时进行两种检验。有一次，这两种检验显示出相互矛盾的结果：其中一个检验结果表明该序列是平稳的，而另一个则表明该序列是非平稳的！我困惑了好几个小时，想弄清楚这是怎么回事。后来才知道，序列的平稳性有多种类型。

综上所述，ADF检验有线性平稳或差分平稳的备择假设，而KPSS检验则是识别序列的趋势平稳。

4. 平稳的种类

通过了解不同类型的平稳，来解释上述检验的结果。

• **严格平稳：**严格平稳序列满足平稳过程的数学定义。严格平稳序列的均值、方差和协方差均不是时间的函数。我们的目标是将一个非平稳序列转化为一个严格平稳序列，然后对它进行预测。
• **趋势平稳：**没有单位根但显示出趋势的序列被称为趋势平稳序列。一旦去除趋势之后，产生的序列将是严格平稳的。在没有单位根的情况下，KPSS检测将该序列归类为平稳。这意味着序列可以是严格平稳的，也可以是趋势平稳的。
• **差分平稳：**通过差分可以使时间序列成为严格平稳的时间序列。ADF检验也称为差分平稳性检验。

应用两种检验总会更优些，通过两种检验之后，可以确定这个序列是否是平稳的。下面，来看一下应用两种平稳检验后的可能结果：

• 结果1：两种检验均得出结论：序列是非平稳的->序列是非平稳的
• 结果2：两种检验均得出结论：序列是平稳的->序列是平稳的
• 结果3：KPSS =平稳；ADF =非平稳->趋势平稳，去除趋势后序列严格平稳
• 结果4：KPSS =非平稳；ADF =平稳->差分平稳，利用差分可使序列平稳。

5. 时间序列的平稳化

在熟悉了平稳性的概念及其不同的类型之后，接下来可以对序列进行平稳化操作。请记住，为了建立时间序列预测模型，必须首先将任何非平稳序列转换为平稳序列。

差分化

在该方法中，计算序列中连续项的差值。执行差分操作通常是为了消除均值的变化。从数学角度，差分可以写成：

yt‘ = yt – y(t-1)

其中yt 是t时刻的数值。

对序列差分化后，绘制出结果：

季节性差分

在季节性差分中，不计算连续值之间的差异，而是计算观察值与同一季节的先前观察值之间的差异。例如，星期一的观察值将与上星期一的观察值相减。从数学角度，它可以写成：

 yt‘ = yt – y(t-n)

变换

变换用于对方差为非常数的序列进行平稳化。常用的变换方法包括幂变换、平方根变换和对数变换。对飞机乘客数据集进行快速对数转换和差分：

最后

不知道你们用的什么环境，我一般都是用的Python3.6环境和pycharm解释器，没有软件，或者没有资料，没人解答问题，都可以免费领取（包括今天的代码），过几天我还会做个视频教程出来，有需要也可以领取~

给大家准备的学习资料包括但不限于：

Python 环境、pycharm编辑器/永久激活/翻译插件

python 零基础视频教程

Python 界面开发实战教程

Python 爬虫实战教程

Python 数据分析实战教程

python 游戏开发实战教程

Python 电子书100本

Python 学习路线规划

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
FFFFF,t_70)

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！