平稳性

平稳性 (Stationarity)

平稳性是时间序列分析和计量经济学中最基础且最关键的概念之一，指时间序列的统计性质（如均值、方差和自协方差）不随时间的推移而发生变化。若一个时间序列是平稳的，则无论从哪个时间点截取数据，其概率结构均保持一致，这使得利用历史数据对未来进行统计推断和预测具有了合理性基础。平稳性构成了几乎所有标准时间序列建模方法的逻辑前提：自回归模型 (AR)、移动平均模型 (MA)、ARMA模型和ARIMA模型均依赖序列的平稳性假设，而Granger因果关系检验、脉冲响应分析和方差分解等推断工具也只有在平稳或经过适当变换转化为平稳的序列上才能产生可靠的结论。

严格平稳与弱平稳

根据对概率结构约束的严格程度，平稳性分为两种核心定义。严格平稳 (Strict Stationarity)要求时间序列的有限维联合分布在时间平移下保持不变：对任意整数 $k \geq 1$、任意时间点 $t_1, t_2, \ldots, t_k$ 和任意滞后 $h$，随机向量 $(y_{t_1}, y_{t_2}, \ldots, y_{t_k})$ 的联合分布与 $(y_{t_1+h}, y_{t_2+h}, \ldots, y_{t_k+h})$ 完全一致。这意味着序列的所有矩（包括高阶矩如偏度和峰度）均为时间常数。严格平稳在理论推导中极其重要，但在实际应用中几乎不可检验，因为任何有限样本都无法验证无限维分布的不变性。

弱平稳 (Weak Stationarity)，也称协方差平稳 (Covariance Stationarity)，是实证分析中实际使用的平稳性定义，仅约束序列的一阶和二阶矩：(1) 均值恒定：$\mathbb{E}(y_t) = \mu$ 对所有 $t$ 成立；(2) 方差有限且恒定：$\mathrm{Var}(y_t) = \sigma^2 < \infty$ 对所有 $t$ 成立；(3) 自协方差仅依赖于时间间隔（滞后）而非绝对时间：$\mathrm{Cov}(y_t, y_{t-h}) = \gamma(h)$ 仅与 $h$ 有关，与 $t$ 无关。弱平稳的三个条件使得序列的自相关函数 (ACF) $\rho(h) = \gamma(h)/\gamma(0)$ 也仅依赖于滞后 $h$，这是模型识别中绘制ACF和偏自相关函数 (PACF)的理论基础。正态分布下的严格平稳序列必然是弱平稳的，反之则不一定；但在高斯时间序列（所有有限维联合分布均为正态）中，弱平稳自动蕴涵严格平稳，因为正态分布完全由一阶和二阶矩决定。

平稳性的重要性

平稳性之所以成为时间序列分析的核心基石，主要源于三个层面的原因。第一，大数定律和中心极限定理的适用性：经典大数定律要求观测值来自同一分布且相互独立，平稳时间序列虽不要求独立（允许序列相关），但不变的概率结构和适当的混合条件（如α-混合或鞅差序列）使得遍历性定理和泛函中心极限定理得以应用，从而保证样本均值和样本自协方差等统计量的一致估计性质。第二，避免伪回归：Nelson和Plosser (1982)的经典研究表明，许多宏观经济变量（如真实GDP、货币供给和股票价格）包含单位根，是差分平稳而非趋势平稳过程。Granger和Newbold (1974)通过模拟实验证明，对两个独立的随机游走序列进行回归时，t统计量在5\%水平下显著拒绝零假设的比例高达约75\%——这就是所谓的伪回归问题，其根源在于非平稳序列的方差随样本量发散，使标准检验统计量不再服从常规分布。第三，预测的理论基础：只有序列的均值、方差和自相关结构固定不变，基于最小均方误差准则的线性预测（如Box-Jenkins方法中的预测公式）才能产生渐近最优的预测，预测误差的置信区间也才能以确定的方式随预测步长扩展。

非平稳的类型

非平稳性可大致归为三种来源。随机趋势 (Stochastic Trend)即单位根过程：$y_t = y_{t-1} + \varepsilon_t$，其中 $\varepsilon_t$ 为白噪声。单位根过程的特点在于冲击具有永久效应——任意时刻的一次性冲击都会彻底改变序列的长期水平，且序列的方差随 $t$ 线性增长（$\mathrm{Var}(y_t) = t\sigma^2_\varepsilon$）。确定性趋势 (Deterministic Trend)也称趋势平稳过程：$y_t = \alpha + \beta t + u_t$，其中 $u_t$ 为平稳过程。趋势平稳序列围绕固定的线性趋势波动，冲击的影响随时间衰减，序列最终回归趋势线。区分这两种趋势在实证上极为关键，因为它直接决定了去趋势的方法：对单位根过程应使用差分算子 $\Delta y_t = y_t - y_{t-1}$ 来实现平稳化（称为差分平稳），而对趋势平稳过程则应减去OLS估计的线性趋势项（称为去趋势），错误使用差分算子会导致过度差分问题——移动平均特征根恰好为1，产生不可逆的MA单位根。第三种非平稳表现为结构性断裂：序列在某个未知时点发生均值跳跃、趋势斜率突变或波动率结构变化，即使断裂前后的各子区间本身为平稳过程，整体序列仍呈现非平稳特征。

平稳性检验

实践中，判断一个序列是否平稳主要依赖两类互补的统计检验。第一类以单位根为原假设，代表性方法包括ADF检验 (Augmented Dickey-Fuller Test)、Phillips-Perron检验 (PP检验)和DF-GLS检验。ADF检验通过在回归方程中加入滞后差分项以消除残差自相关，其原假设为序列存在单位根（非平稳），备择假设为序列为平稳过程。PP检验采用Newey-West非参数长期方差估计修正自相关和异方差，避免了对滞后阶数的显式设定。DF-GLS检验则通过对序列进行广义最小二乘去趋势（使用局部到单位根的备择调整参数）来提升有限样本下对近单位根过程（如 $\rho = 0.95$）的检验功效。第二类以平稳性为原假设，核心工具是KPSS检验 (Kwiatkowski-Phillips-Schmidt-Shin Test)，其原假设为序列是（趋势）平稳的，备择假设为序列存在单位根。由于这两种检验的统计哲学相反，实践中推荐联合使用ADF和KPSS检验进行确认性分析：若ADF拒绝单位根而KPSS不拒绝平稳性，则结论可靠度最高；若两个检验均不拒绝各自的原假设或均拒绝，则需结合数据的时间特征图和经济学先验知识进行综合判断。

此外，自相关函数图 (ACF Plot)在平稳性诊断中扮演着辅助但直观的角色。平稳序列的ACF通常在较小的滞后阶数后迅速衰减至零（或落入Bartlett标准误构成的置信带内），而非平稳序列的ACF则呈缓慢、平滑且几乎线性的衰减模式——这一差异在直觉上源于非平稳序列中各观测值之间的相关性因水平漂移而高度持久。对于存在明显季节性的序列，还需检查季节性差分后的平稳性，或在季节ARIMA (SARIMA)框架下对季节性和非季节性部分分别进行平稳性处理。最终，经过差分或去趋势处理后的序列应再次进行平稳性检验，直至确认变换后的序列满足建模要求。