时序问题处理

1.时序是否平稳的判断

（1）绘制列图展示观察
（2）将序列划分成多份，查看其统计值（平均值、方差、自相关系数），如果统计值间相差很大，则不是平稳序列
（3）使用单位根检验定量判断某序列是否为平稳序列
    单位根检验：
        ADF Test（最常用）
        KPSS Test（检验趋势平稳性）
        PP Test

2.预测前将非平稳序列变平稳的原因

（1）对平稳序列进行预测要相对容易一些，预测结果也更可信
（2）大多数的统计预测方法最初都是为平稳时间序列设计的
（3）自回归模型本质是还是线性回归模型，其将序列自身的滞后作为预测因子，如果预测因子之间互不相关，线性回归的效果最优。序列的平稳化可解决序列自相关性问题，使预测因子近乎独立。

3.时序数据是否为平稳序列，非平稳序列要转变为平稳序列

平稳序列的转化：
    求序列的差分，最常见的处理方式，至少执行一次
    求序列的log值
    求序列的n次方根
    以上三种方式的结合

4.自相关和偏自相关函数

（1）自相关ACF
    一个序列的值与自己本身具有相关性，即序列的前一个值可以预测当前值
（2）偏自相关PACF
    偏自相关类似于自相关，但是更偏重序列与自身滞后序列的相关性，消除了由于较短滞后所导致的任何相关性

5.评估时间序列的可预测性

一个时间序列的模式越有规律，就越容易预测
（1）使用近似熵来量化，近似熵越高，预测难度越大
（2）使用样本熵

6.为什么要做时间序列平滑处理，如何做

（1）好处：
    减少噪声影响，过滤掉噪声，得到更真实的序列
    平滑处理后的序列可作为特征，更好的的解释序列本身
    可以更好的观察序列本身的趋势
（2）方法：
    取移动平均值
    做LOESS平滑（局部回归）
    做LOWESS平滑（局部加权回归）