外觀
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) | ❌ 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 |

檢定:ADF + KPSS 一起用
| 檢定 | H₀ | H₁ |
|---|---|---|
| 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)。
| ADF | KPSS | 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₋₁ | d = 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。