Skip to content

时间序列不满足平稳性要求怎么办? ​

先确认模型在哪一层要求平稳 ​

原序列明显上升或存在季节性时,先画原序列、分段均值与波动,并查看自相关图。ARIMA 可以通过差分处理某些非平稳性,重点是差分或去除确定性成分后的序列能否合理用 ARMA 结构描述。显式建模趋势和季节的平滑方法,对原序列有不同的要求。

按变化类型选择处理方式 ​

  1. 确认时标和统计口径。 按时间排序,检查重复、缺期、统计频率和定义变化。不同长度的月份直接比较总量时,可先考虑日均口径,或显式纳入日历因素。缺期应留在时间轴上,避免把相隔两月的观测当作相邻月。
  2. 区分趋势和季节。 怀疑随机趋势时,从一阶差分 yt−yt−1 开始试;已知有稳定的确定性趋势时,可在训练段拟合时间趋势。月度序列每年同月规律重复时,可比较季节差分 yt−yt−12 与显式季节项。差分会改变预测对象,必须检查如何还原成原单位。
  3. 检查波动放大和制度变化。 水平越高波动也越大,且数据严格为正时,可比较对数变换。在原尺度评价时,应注明预测的是均值还是中位数,因为两者的反变换可能不同。若某月统计口径或业务制度改变,应核实断点,考虑干预变量、分段建模或对最近制度下的数据单独拟合。
  4. 结合图形与检验。 ADF 的原假设是存在单位根,KPSS 的原假设是在指定设定下平稳。短样本或存在结构变化时,两者可能难以给出一致判断。差分后如果高频摆动加剧、滞后一期自相关强烈为负,比较较少差分的模型以排查过度差分。

怎样验证修复 ​

用同一组滚动预测起点比较候选模型和朴素基线,按预测跨度报告原尺度误差。多步还原时只使用起点以前已知的观测及模型预测值。检查残差在整体和新制度阶段是否仍有趋势、季节或稳定偏差,并说明所选变换对应的序列特性。

关联文章 ​

MathModel FAQ · 数学建模知识库