企业官网建设流程全解析

当ADF检验说‘不平稳’：时间序列预测前，你还可以试试这2种平稳化方法

面对时间序列分析时，许多数据科学家和业务分析师都曾经历过这样的挫败：精心收集的数据，经过ADF检验后却被告知"不平稳"。这就像准备烹饪一道大餐时，发现食材还没处理好。但别急着放弃——非平稳序列并非分析的终点，而是深度理解的起点。本文将带你突破单一检验的局限，探索两种更聪明的平稳化策略，让你的预测模型重获新生。

1. 为什么ADF检验的"不平稳"结论需要谨慎对待？

ADF检验（Augmented Dickey-Fuller test）作为最常用的单位根检验方法，其核心假设是序列非平稳源于单位根存在。但现实中，非平稳性可能来自多种复杂因素：

# 典型ADF检验Python实现 from statsmodels.tsa.stattools import adfuller def adf_test(timeseries): print("ADF检验结果:") dftest = adfuller(timeseries, autolag='AIC') dfoutput = pd.Series(dftest[0:4], index=['Test Statistic','p-value','#Lags Used','Number of Observations Used']) for key,value in dftest[4].items(): dfoutput['Critical Value (%s)'%key] = value print(dfoutput) return dfoutput

检验结果的三大盲区：

• 趋势主导型非平稳：序列包含确定性趋势（如线性增长），但可能不存在单位根
• 结构突变问题：2008年金融危机前后的经济数据往往呈现均值突变
• 季节性伪非平稳：电商数据在"双十一"期间的峰值可能被误判为单位根效应

提示：当ADF检验p值接近0.05阈值时（如0.06），建议结合下文方法进行交叉验证

2. 方法一：确定性成分分解——像外科医生般精准剥离非平稳因素

这种方法的核心思想是将序列分解为确定性成分（趋势、周期）和随机成分，处理后再重组。比起粗暴的差分，它保留了更多原始信息。

2.1 操作步骤详解

1. 趋势提取与剔除：
   • 移动平均法：rolling_mean = series.rolling(window=12).mean()
   • 多项式拟合：np.polyfit配合np.polyval实现

# 使用STL分解的Python示例 from statsmodels.tsa.seasonal import STL stl = STL(series, period=12) res = stl.fit() trend_removed = series - res.trend

2. 季节性调整：

   • 经典分解法：seasonal_decompose(series, model='additive')
   • STL分解：更适合复杂季节模式

3. 残差诊断：

   • 对处理后的残差序列重新进行ADF检验
   • 检查ACF/PACF图确认自相关结构

2.2 业务场景应用案例

某零售企业2015-2023年月度销售额数据呈现明显上升趋势和年末峰值：

结果显示，完整分解法在保留业务解释性的同时，达到了更好的平稳化效果。

3. 方法二：KPSS+ADF联合诊断——构建双重检验防火墙

KPSS检验与ADF检验形成互补关系，就像医学诊断中的"阴性阳性"双确认：

检验假设对比：

• ADF：原假设为存在单位根（非平稳）
• KPSS：原假设为趋势平稳（无单位根）

3.1 联合诊断决策矩阵

# KPSS检验实现 from statsmodels.tsa.stattools import kpss def kpss_test(timeseries): print("KPSS检验结果:") kpsstest = kpss(timeseries, regression='c', nlags='auto') kpss_output = pd.Series(kpsstest[0:3], index=['Test Statistic','p-value','Lags Used']) for key,value in kpsstest[3].items(): kpss_output['Critical Value (%s)'%key] = value print(kpss_output) return kpss_output

3.2 实际应用中的注意事项

• 检验参数选择：
  • ADF：autolag='AIC'自动选择最佳滞后阶数
  • KPSS：regression='ct'包含截距和趋势项
• 样本量影响：
  • 小样本（<50）时KPSS容易过度拒绝
  • 大样本（>1000）时ADF过于敏感
• 临界值调整：
  • 经济数据建议使用10%显著性水平
  • 高频金融数据可使用5%水平

4. 进阶技巧：当常规方法失效时的应对策略

即使经过上述处理，某些"顽固"序列仍可能表现非平稳特征。这时需要更专业的工具箱：

4.1 结构突变检测与处理

使用Bai-Perron检验检测多个断点：

from statsmodels.tsa.regime_switching.tests.test_markov_regression import breakvar_heteroskedasticity # 检测结构突变 break_points = breakvar_heteroskedasticity(series) print(f"检测到的断点位置：{break_points}")

4.2 分数差分技术

对于长记忆过程，传统整数差分可能过度：

# 分数差分实现 from statsmodels.tsa.statespace.tools import cfa_loglikelihood def fractional_diff(series, d): # ...实现分数差分算法... return diff_series

4.3 非线性变换组合

有时简单的对数变换就能解决问题：

# 常用非线性变换 transformed = np.log1p(series) # 对数变换 transformed = np.sqrt(series) # 平方根变换 transformed = boxcox(series) # Box-Cox变换

5. 模型构建前的最终检查清单

在将处理后的序列投入ARIMA等模型前，建议完成以下验证：

1. 视觉确认：

   • 绘制处理前后序列对比图
   • 观察ACF/PACF衰减模式

2. 统计验证：

   • ADF/KPSS双检验一致性
   • Ljung-Box检验残差自相关

3. 业务合理性：

   • 处理后的波动幅度是否符合业务认知
   • 季节性因素是否被适当保留/剔除

# 综合诊断函数示例 def final_check(processed_series): # 绘制图形 fig, axes = plt.subplots(3, 1, figsize=(12, 8)) axes[0].plot(processed_series) plot_acf(processed_series, ax=axes[1]) plot_pacf(processed_series, ax=axes[2]) # 统计检验 adf_result = adf_test(processed_series) kpss_result = kpss_test(processed_series) return { 'visual_inspection': 'Pass' if ... else 'Fail', 'statistical_tests': { 'ADF': adf_result['p-value'], 'KPSS': kpss_result['p-value'] } }

实践中发现，许多业务指标经过适当处理后，虽然统计检验仍显示轻微非平稳，但模型预测效果已经很好。这时不必过度追求完美的统计显著性，而应关注模型的实际预测能力。