非平稳的

非平稳的 (Non-stationary)

非平稳性是时间序列分析和计量经济学中一个具有深远方法论后果的核心概念。一个随机过程被称为非平稳的，当且仅当其统计性质——包括均值、方差和自协方差——随时间发生系统性变化。与此相对，平稳过程的联合分布具有时间平移不变性：$\{X_t\}$ 与 $\{X_{t+k}\}$ 在任何有限窗口内服从相同的概率律。这一区分不仅是理论上的精细分类，更直接决定了统计推断的有效性边界——将适用于平稳过程的推断工具用于非平稳数据，将产生彻底误导性的结论。

非平稳性的主要类型

非平稳性并非单一模式，而是至少存在两种性质迥异的路径：

趋势平稳过程 (Trend-Stationary Process, TSP)。 形式为：

其中 $\varepsilon_t$ 是平稳的白噪声过程，$t$ 为时间趋势项。此时 $X_t$ 的条件均值随时间线性漂移，但如果剔除确定性趋势（去趋势，detrending），残差 $\varepsilon_t$ 回到平稳。TSP 本质上是平稳过程叠加确定性函数，外生冲击仅有暂时性效应——过程在偏离趋势后会回归到趋势线上，这一性质被称为均值回复。

差分平稳过程 (Difference-Stationary Process, DSP)。 形式为：

即具有单位根 (unit root) 的过程。此时 $X_t$ 是最简单的 $I(1)$ 过程，其方差随时间线性发散 ($\text{Var}(X_t) = t\sigma^2_\varepsilon$)，且冲击具有永久性记忆：时刻 $s$ 发生的扰动将对所有 $t > s$ 的 $X_t$ 产生不衰减的效应。差分后 $\Delta X_t = \varepsilon_t$ 恢复平稳，故称差分平稳。

区分 TSP 与 DSP 至关重要：对 TSP 去趋势可消除非平稳性，对 DSP 则需差分；误将 DSP 当作 TSP 去趋势将产生伪去趋势数据，残余序列仍非平稳且具有虚假的周期模式。这一区分构成了单位根检验的统计动机。

单位根检验

判断一个序列是否具有单位根的经典工具包括：

迪基-富勒检验 (Dickey-Fuller, DF)。 基础回归形式为：

检验 $H_0: \gamma = 0$（即单位根）对 $H_1: \gamma < 0$（平稳）。由于 $H_0$ 下 $\hat{\gamma}$ 的渐近分布是非标准的（不再收敛于正态），需使用专门的DF临界值。扩展形式（ADF）通过引入 $\Delta X_t$ 的滞后项来清洗自相关残差结构：

菲利普斯-佩龙检验 (Phillips-Perron, PP)。 采用与 ADF 相同的回归设定，但使用纽维-韦斯特异方差自相关一致标准误来校正检验统计量的分布，避免了对滞后阶数的显式选择。

KPSS 检验。 与前两者互补：原假设为平稳（趋势平稳），备择假设为单位根。联合使用 ADF 与 KPSS 可增强判断的稳健性——若 ADF 拒绝而 KPSS 未拒绝，平稳性证据较强；反之则指向单位根。

伪回归问题

非平稳性最著名的计量经济学陷阱是伪回归 (spurious regression)，由格兰杰与纽博尔德 (Granger \& Newbold, 1974) 系统揭示。当两个独立的 $I(1)$ 过程被 OLS 回归关联时，传统的 $t$ 检验和 $F$ 检验会严重偏向拒绝"无关系"的原假设：即使两序列完全无关，回归的 $R^2$ 常接近 1，Durbin-Watson 统计量趋近于零。问题根源在于 $I(1)$ 序列的方差发散使得样本矩不收敛于总体矩，破坏了大数定律和中心极限定理的适用前提。

规避伪回归的关键在于：要么在回归前将序列转化为平稳形式（通过差分或去趋势），要么确认序列之间存在协整关系——此时水平形式的回归不仅合法，而且具有超一致性。

协整与误差修正

恩格尔与格兰杰 (Engle \& Granger, 1987) 提出的协整概念为非平稳多变量建模开辟了合法路径。两个 $I(1)$ 序列 $X_t, Y_t$ 被称为协整的，若存在非零线性组合 $Y_t - \beta X_t \sim I(0)$，即两者的随机趋势相互抵消。经济理论常预测这种长期均衡关系：消费与收入、短期利率与长期利率、现货价格与期货价格——经济力量使它们不能无限远离。

误差修正模型 (ECM) 将协整关系嵌入动态设定：

误差修正项 $Y_{t-1} - \beta X_{t-1}$ 度量了上一期对长期均衡的偏离，系数 $\alpha < 0$ 确保系统向均衡调整。ECM 优雅地同时刻画了短期动态与长期均衡约束，成为应用宏观经济学的标准工具。

经济学中的应用

非平稳性是宏观经济时间序列的常态而非例外。GDP、消费、投资、价格指数、汇率、利率等核心经济变量普遍呈现 $I(1)$ 行为——它们的水平值不围绕固定均值波动，而是表现为持续性漂移。这一事实深刻影响了：

商业周期分析。 区分趋势成分与周期成分需要明确处理非平稳性：Hodrick-Prescott 滤波和Beveridge-Nelson 分解提供了将 $I(1)$ 序列拆分为永久成分（随机趋势）与暂时成分（周期性偏离）的框架。

预测。 对于 $I(1)$ 过程，预测区间随时间发散（方差线性增长），而对平稳过程的预测区间收敛于无条件方差。这一差异在长期宏观预测中尤为突出：GDP 水平值的长期预测不可靠度远高于增长率预测。

金融计量。 有效市场假说隐含资产价格遵循随机游走（即 $I(1)$），收益率则为平稳的 $I(0)$。方差比检验和单位根检验被广泛用于检验市场效率。

结构向量自回归 (SVAR)。 非平稳变量的 SVAR 设定需区分水平与差分形式：若变量协整，应使用 VECM 而非无约束的差分 VAR，以保留长期关系中的信息。

平稳性诱导技术

从非平稳到平稳的转化有三条主要路径：(1) 差分，适用于 $I(d)$ 过程，$d$ 阶差分后平稳；(2) 去趋势，适用于 TSP，回归掉确定性时间函数；(3) 非线性变换，如对数变换可稳定方差——金融收益率使用对数差分 $\Delta \ln P_t$ 正是同时实现均值平稳化与方差平稳化的组合操作。选择何种变换取决于对数据生成过程的先验判断与检验结果，错误的平稳化手段可能引入新的统计伪影。