Skip to content

Statistics › 時間序列 › 定態

定態 (Stationarity) ​

ARIMA、VAR 等多數古典模型都假設序列是定態的。非定態序列的統計性質隨時間改變,過去的規律無法用來預測未來。

偽迴歸 (spurious regression):兩個無關的非定態序列(例如都有上升趨勢)做迴歸,也可能得到很高的 R² 與顯著 p 值。

定義:弱定態 (weak / covariance stationarity) ​

條件意義
平均固定E[Yₜ] = μ
變異固定Var(Yₜ) = σ²
自共變異只依落後期數Cov(Yₜ, Yₜ₋ₖ) 只與 k 有關,與 t 無關

直覺:不論從哪個時間點看,序列都「長得一樣」:沒有趨勢、沒有變異改變、沒有季節性。

序列定態?
白噪音 (white noise)✅
隨機漫步 (random walk) yt=yt−1+εt❌ 隨機趨勢,差分後定態
確定性趨勢 + 雜訊❌ 去趨勢後定態
變異隨時間變大❌ log / Box-Cox

Stationary vs non-stationary series

檢定:ADF + KPSS 一起用 ​

檢定H₀H₁
ADF (Augmented Dickey-Fuller)有單根 (unit root),非定態定態
KPSS定態非定態

兩者虛無假設相反,搭配使用較可靠(ADF 檢定力偏低,常無法拒絕單根)。

ADFKPSS結論
拒絕 H₀不拒絕 H₀✅ 定態
不拒絕拒絕❌ 非定態(單根)→ 差分
拒絕拒絕⚠️ 趨勢定態 (trend-stationary) → 去趨勢後再測
不拒絕不拒絕⚠️ 無法判斷 → 看圖
python
import numpy as np
import pandas as pd
from statsmodels.tsa.stattools import adfuller, kpss

url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/airline-passengers.csv"
y = pd.read_csv(url, parse_dates=["Month"], index_col="Month").asfreq("MS")["Passengers"]

def stationarity_report(s):
    s = s.dropna()
    adf_p = adfuller(s, autolag="AIC")[1]
    kpss_p = kpss(s, regression="c", nlags="auto")[1]
    return {"ADF p": round(adf_p, 4), "KPSS p": round(kpss_p, 4)}

stationarity_report(y)                    # 原始序列:非定態
stationarity_report(np.log(y).diff())     # log + 一階差分

轉換成定態 ​

問題轉換備註
隨機趨勢一階差分 Δyₜ = yₜ − yₜ₋₁d = 1 能處理多數情況
仍非定態二階差分很少需要
季節性季節差分 yₜ − yₜ₋ₘ見 SARIMA
變異隨水準增加log乘法結構
不確定用哪個冪次Box-Cox(λ = 1 不轉換、0.5 開根號、0 log、−1 倒數)scipy.stats.boxcox
python
from scipy.stats import boxcox
from pmdarima.arima import ndiffs

_, lam = boxcox(y)                         # λ ≈ 0 → log 最適合
ndiffs(np.log(y), test="adf")              # 自動建議差分次數 d

不要過度差分:d = 1 已定態就不要用 d = 2。過度差分會引入不必要的 MA 結構;徵兆是差分後 ACF 在 lag 1 出現很大的負值(接近 −0.5)。

流程 ​

text
畫圖 → 變異變大?→ log / Box-Cox → ADF + KPSS → 定態?→ 完成
                                              ↓ 否
                                    一階差分 → 再檢定 → 看 ACF 是否快速衰減

目標不是「通過 ADF」,而是讓序列的平均與相依結構夠穩定,讓模型學得到。