一、資料平穩性
李子奈曾指出，一些非平穩的經濟時間序列往往表現出共同的變化趨勢，而這些序列間本身不一定有直接的關聯，此時，對這些資料進行回歸，儘管有較高的r平方，但其結果是沒有任何實際意義的。這種情況稱為稱為虛假回歸或偽回歸（spurious regression）。他認為平穩的真正含義是：乙個時間序列剔除了不變的均值（可視為截距）和時間趨勢以後，剩餘的序列為零均值，同方差，即白雜訊。
二、特徵與判斷
給出乙個隨機時間序列，首先可通過該序列的時間路徑圖來粗略地判斷它是否是平穩的。乙個
平穩的時間序列
在圖形上往往表現出一種圍繞其均值不斷波動的過程；
而非平穩序列
則往往表現出在不同的時間段具有不同的均值（如持續上公升或持續下降）。下圖（a）可以初步判斷資料具有平穩性。而（b）顯示出非平穩性
進一步判斷：
檢驗樣本自相關函式及其圖形。隨著之後階數的增加，樣本自相關函式下降且趨於零。但從下降的速度來看，平穩序列要比非平穩序列快得多。
三、例子
例1：從影象上看，它在樣本均值0附近上下波動，且樣本自相關系統迅速下降到0，隨後在0附近波動且逐漸收斂於0.因此，初步判斷，該隨機過程是乙個平穩的過程。
例2：該序列具有相同的均值，但從樣本自相關圖形看，雖然自相關系統迅速下降到0，但隨著時間的推移，則在0附近波動且呈現發散的趨勢。因此，初步判斷，該隨機過程是乙個非平穩過程。
資料平穩性檢測
python 資料分析與資料探勘 目的 確定資料序列是否有隨機趨勢或確定趨勢,防止偽回歸 如果不平穩，則對其進行差分處理一直到平穩為止 平穩性檢測 from statsmodels.tsa.stattools import adfuller as adf diff 0 adf adf data cw...
理解 時間序列的平穩性
為什麼要平穩？原因一 時間序列資料的資料結構與傳統的統計資料結構不同。最大的區別在於，傳統隨機變數可以得到多個觀測值 比如骰子點數，可以反覆擲得到多個觀測值，忽略時間的差異 而時間序列資料中，每個隨機變數只有乙個觀測值 比如設 價為研究的隨機變數，每天只有乙個 價，不同日子的 服從的分布不同，即考慮...
時間序列平穩性的統計檢驗
在實際應用過程中，通常需要對時間序列進行平穩性判斷，觀察乙個序列是否存在某種趨勢，以及各時間間隔內折線是否存在 明顯的差異。下面介紹一下常用的幾種檢驗方法。1 繪製時間序列散點圖。該方法只能直觀 粗略的看序列是否存在明顯的趨勢。2 daniel檢驗法。主要用於觀察序列是否存在著趨勢，不檢測自相關。該...