如何用判断时间序列是否平稳呢？
首先绘制时序图，观察是否存在波动和向上或向下的趋势
然后做相关系数图，若随k增大，自相关系数迅速衰减则序列平稳；若随k增大，自相关系数衰减缓慢则序列不平稳
最后进行单位根检验，P-值α时，拒绝存在单位根的原假设，序列平稳。
检验时间序列平稳性的方法有哪两种
1、 时间序列 取自某一个随机过程，如果此随机过程的随机特征不随时间变化，则我们称过程是平稳的；假如该随机过程的随机特征随时间变化，则称过程是非平稳的。 2、 宽平稳时间序列的定义：设时间序列 ，对于任意的 , 和 ，满足： 则称 宽平稳。 3、Box-Jenkins方法是一种理论较为完善的统计预测方法。他们的工作为实际工作者提供了对时间序列进行分析、预测，以及对ARMA模型识别、估计和诊断的系统方法。使ARMA模型的建立有了一套完整、正规、结构化的建模方法，并且具有统计上的完善性和牢固的理论基础。 4、ARMA模型三种基本形式：自回归模型（AR：Auto-regressive），移动平均模型（MA：Moving-Average）和混合模型（ARMA：Auto-regressive Moving-Average）。 （1） 自回归模型AR(p)：如果时间序列 满足 其中 是独立同分布的随机变量序列，且满足： ， 则称时间序列 服从p阶自回归模型。或者记为 。 平稳条件：滞后算子多项式 的根均在单位圆外，即 的根大于1。 （2） 移动平均模型MA(q)：如果时间序列 满足 则称时间序列 服从q阶移动平均模型。或者记为 。 平稳条件：任何条件下都平稳。 （3） ARMA(p,q)模型：如果时间序列 满足 则称时间序列 服从(p,q)阶自回归移动平均模型。或者记为 。 特殊情况：q=0,模型即为AR(p)，p=0, 模型即为MA(q)。 二、时间序列的自相关分析 1、自相关分析法是进行时间序列分析的有效方法，它简单易行、较为直观，根据绘制的自相关分析图和偏自相关分析图，我们可以初步地识别平稳序列的模型类型和模型阶数。利用自相关分析法可以测定时间序列的随机性和平稳性，以及时间序列的季节性。 2、自相关函数的定义：滞后期为k的自协方差函数为： ，则 的自相关函数为： ，其中 。当序列平稳时，自相关函数可写为： 。 3、 样本自相关函数为： ，其中 ，它可以说明不同时期的数据之间的相关程度，其取值范围在-1到1之间，值越接近于1，说明时间序列的自相关程度越高。 4、 样本的偏自相关函数： 其中， 。 5、 时间序列的随机性，是指时间序列各项之间没有相关关系的特征。使用自相关分析图判断时间序列的随机性，一般给出如下准则： ①若时间序列的自相关函数基本上都落入置信区间，则该时间序列具有随机性； ②若较多自相关函数落在置信区间之外，则认为该时间序列不具有随机性。 6、 判断时间序列是否平稳，是一项很重要的工作。运用自相关分析图判定时间序列平稳性的准则是：①若时间序列的自相关函数 在k3时都落入置信区间，且逐渐趋于零，则该时间序列具有平稳性；②若时间序列的自相关函数更多地落在置信区间外面，则该时间序列就不具有平稳性。 7、 ARMA模型的自相关分析 AR(p)模型的偏自相关函数 是以p步截尾的，自相关函数拖尾。MA(q)模型的自相关函数具有q步截尾性，偏自相关函数拖尾。这两个性质可以分别用来识别自回归模型和移动平均模型的阶数。ARMA(p,q)模型的自相关函数和偏相关函数都是拖尾的。 三、单位根检验和协整检验 1、单位根检验 ①利用迪基—福勒检验（ Dickey-Fuller Test）和菲利普斯—佩荣检验（Philips-Perron Test）,我们也可以测定时间序列的随机性，这是在计量经济学中非常重要的两种单位根检验方法，与前者不同的事，后一个检验方法主要应用于一阶自回归模型的残差不是白噪声，而且存在自相关的情况。 ②随机游动 如果在一个随机过程中， 的每一次变化均来自于一个均值为零的独立同分布，即随机过程 满足： ， ，其中 独立同分布，并且： ， 称这个随机过程是随机游动。它是一个非平稳过程。 ③单位根过程 设随机过程 满足： ， ，其中 ， 为一个平稳过程并且 ，，。 2、协整关系 如果两个或多个非平稳的时间序列，其某个现性组合后的序列呈平稳性，这样的时间序列间就被称为有协整关系存在。这是一个很重要的概念，我们利用Engle-Granger两步协整检验法和J 很高兴回答楼主的问题 如有错误请见谅
如何判断一个变量是否平稳
乙序列为例。平稳的序列的自相关图和偏相关图不是拖尾就是截尾。截尾就是在某阶之后，系数都为0，怎么理解呢，看上面偏相关的图，当阶数为1的时候，系数值还是很大，0.914.二阶长的时候突然就变成了0.050.后面的值都很小，认为是趋于0，这种状况就是截尾。再就是拖尾，拖尾就是有一个衰减的趋势，但是不都为0。
格兰杰因果关系检验在经济学上确定一个变量的变化是否是另一个变量变化的原因，般用格兰杰因果关系（GrangerTestofCausality）检验。Granger检验首先必须证明随机变量是平稳序列，因为其中用到F统计检验，而F统计量要求序列平稳，所以平稳性是Granger的前提（也就是说序列平稳=》直接做granger检验）。
时间序列平稳的三个条件
时间序列平稳的三个条件：
第一个条件,任意时刻二阶矩都存在。
第二个条件,随机变量的期望(一阶矩)不随时间的推移而改变。说白了就是,均值µ不随时间t改变。
第三个条件,两个时点的随机变量之间的自相关系数,只与这两个时点的时间差有关,而不随时间的推移而改变。
时间序列
时间序列（或称动态数列）是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。
构成要素：长期趋势，季节变动，循环变动，不规则变动。
长期趋势（T）现象在较长时期内受某种根本性因素作用而形成的总的变动趋势。
季节变动（S）现象在一年内随着季节的变化而发生的有规律的周期性变动。
循环变动（C）现象以若干年为周期所呈现出的波浪起伏形态的有规律的变动。
不规则变动（I）是一种无规律可循的变动，包括严格的随机变动和不规则的突发性影响很大的变动两种类型。
时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。平稳时间序列粗略地讲，一个时间序列，如果均值没有系统的变化（无趋势）、方差没有系统变化，且严格消除了周期性变化，就称之是平稳的。
时间序列的平稳性
并不是所有的时间序列都是可预测的，想象一下，假如一个时间序列的变化特性是不稳定的，那么它每个时期的波动对于之后一个时期的变化的影响都是无法预测的，因为它随时可能变脸。而当一个时间序列的变化特征维持稳定，数据的历史分布和未来分布就会趋于一致，这时我们就可以根据历史数据对未来作出预测。用来刻画数据变化特征稳定的量就是时间序列的平稳性。
如果图像没有明显的趋势，围绕着一个水平线稳定波动，序列传播没有明显的疏密变化，则可以判定为稳定序列。当然这种方法过于主观，还是需要更为严密的统计学检验。
观察图像的方式很直观，但也很主观，不适用于机器自动判断序列的稳定性。因此我们需要一个更有说服力、更加客观的统计方法来帮助我们检验时间序列的平稳性，这种方法，就是单位根检验。
当一个时间序列的滞后算子多项式方程 存在单位根时 ，我们认为该时间序列是 非平稳 的；反之，当该方程 不存在单位根 时，我们认为该时间序列是 平稳 的。其原理比较复杂，想要理解它需要较好的数学基础，这里我们只关注在Python中如何使用。
常见的单位根检验方法有 DF检验 、 ADF检验 和 PP检验 ，这里演示如何使用最常用的ADF检验。
(1)Python中的statsmodels库提供ADF检验函数，使用时需要引入
from statsmodels.tsa.stattools import adfuller as ADF
(2)具体函数如下：
statsmodels.tsa.stattools.adfuller(x, maxlag=None, regression='c', autolag='AIC', store=False, regresults=False)
(3)返回值解析：
(-5.2350403606036302, 7.4536580061930903e-06, 0, 60, {'1%': -3.5443688564814813, '5%': -2.9110731481481484, '10%': -2.5931902777777776}, 1935.4779504450603)
以上内容为新媒号(sinv.com.cn)为大家提供！新媒号，坚持更新大家所需的百科知识。希望您喜欢！
版权申明：新媒号所有作品（图文、音视频）均由用户自行上传分享，仅供网友学习交流，不声明或保证其内容的正确性，如发现本站有涉嫌抄袭侵权/违法违规的内容。请发送邮件至 k2#88.com(替换@) 举报，一经查实，本站将立刻删除。
