时间序列分析入门：趋势与平稳性检验的原理、方法与实战

1. 从数据到洞察：时序分析为何始于“检验”

在数据分析的众多分支里，时序分析总是带着一种独特的魅力。它处理的不是一堆孤立的、可以随意打乱顺序的样本点，而是一条流淌着的时间线。无论是金融市场的股价波动、气象站记录的每日温度、还是工厂传感器传回的设备振动信号，这些数据都承载着时间的烙印。当我们拿到这样一份数据，第一反应往往是画图、计算指标，甚至直接套用复杂的预测模型。但一个经常被忽略，却至关重要的前置步骤是：先理解你手中这条时间序列的“脾气秉性”。

这就引出了我们今天的核心话题：趋势性检验与平稳性检验。你可以把它们看作是给时序数据做一次全面的“体检”。趋势性检验回答的是“这条时间线整体是在向上爬升、向下滑落，还是基本保持水平？”；而平稳性检验则更深入一层，它要判断“这条时间线在不同时间段的统计特性（如均值、方差）是否稳定不变？”。这两个问题的答案，直接决定了后续所有分析方法的基石是否牢固。

为什么这个“体检”如此关键？想象一下，你发现过去五年的月销售额数据有明显的上升趋势。如果你无视这个趋势，直接计算一个固定的平均值来预测未来，结果必然会严重偏低。再比如，许多经典的时间序列预测模型，如自回归移动平均模型，其理论前提就是数据必须是平稳的。如果数据不平稳（例如均值随时间漂移），强行使用这些模型，得到的预测结果不仅不准确，其统计推断（如置信区间）也完全失效，相当于用错误的公式去解一道题。

因此，趋势性检验和平稳性检验绝非可有可无的“花架子”，而是建模前必须完成的“规定动作”。它们帮助我们规避误用模型的陷阱，引导我们选择正确的分析路径——是应该先剔除趋势，还是进行差分处理？这直接关系到整个数学建模项目的成败与效率。接下来，我们就深入这两个检验的核心，看看具体如何操作，以及背后那些容易踩坑的细节。

2. 趋势性检验：捕捉时间序列的长期走向

当我们谈论时间序列的趋势时，指的是数据在较长时期内所呈现出的持续向上或向下的运动。这种趋势可能源于长期的经济增长、技术的进步、季节的累积效应，或者某种不可逆的系统性变化。识别趋势是建模的第一步，因为趋势成分通常会掩盖数据中更细微的周期或随机波动，并且许多分析方法要求先将趋势分离出去。

2.1 视觉诊断法：最直观的起点

在动用任何统计检验之前，最朴素也最有效的方法是绘制时序图。将时间放在横轴，观测值放在纵轴，用线图连接起来。

操作与解读：

1. 绘制图形：使用任何你熟悉的工具（Python的Matplotlib/Seaborn，R的ggplot2，甚至Excel）生成时序图。
2. 整体观察：不要急于下结论。观察整条曲线的整体形态。是一条大致倾斜的直线，还是一条弯曲的曲线？是单调上升/下降，还是在某个时间点发生了趋势的转折？
3. 辅助线：可以在图中添加一条移动平均线（例如12期移动平均用于月度数据）或局部回归平滑线（如LOESS）。这些平滑后的曲线能有效过滤短期波动，让长期趋势更加清晰可见。

注意：视觉诊断高度依赖于主观判断，且容易受到极端值或短期剧烈波动的影响。它适合作为初步探索，但不能作为最终的统计依据。特别是当趋势比较微弱或非线性时，肉眼很难做出准确判断。

2.2 Mann-Kendall趋势检验：非参数方法的稳健之选

当我们需要一个定量的、统计上严谨的结论时，Mann-Kendall（M-K）检验是一个极佳的选择。它是一种非参数检验，不要求数据服从特定的分布（如正态分布），对异常值也不敏感，非常适合实际中那些分布未知、可能存在离群点的数据。

核心原理： M-K检验的核心思想是检验序列的顺序关系。它计算所有可能的数据对(X_i, X_j), i < j，查看后一个值X_j是否大于前一个值X_i。通过统计这种“增长”对和“减少”对的数量差，来判断趋势是否存在。

计算统计量 S： 定义S = Σ_{i=1}^{n-1} Σ_{j=i+1}^{n} sgn(X_j - X_i)。 其中，sgn()是符号函数：

• 如果X_j > X_i，sgn = 1
• 如果X_j = X_i，sgn = 0
• 如果X_j < X_i，sgn = -1

方差与标准化： 在无趋势的原假设下，统计量S的期望值为0。其方差Var(S)的计算考虑了可能存在的数据结（即重复值）。最终，将S标准化得到Z统计量：Z = (S - sgn(S)) / sqrt(Var(S))。这个Z统计量在大样本下近似服从标准正态分布。

假设检验：

• 原假设 H0：序列无趋势。
• 备择假设 H1：序列存在单调趋势（可以是上升或下降，通过S或Z的符号判断）。
• 判断：计算Z值对应的p值。如果p值小于显著性水平（如0.05），则拒绝原假设，认为存在显著趋势。Z值为正表示上升趋势，为负表示下降趋势。

Python实操示例（使用pymannkendall库）：

import pymannkendall as mk import numpy as np # 假设我们有一组年度平均温度数据 yearly_temp = np.array([15.2, 15.5, 15.3, 15.8, 16.1, 16.0, 16.4, 16.7, 16.5, 17.0]) # 执行Mann-Kendall检验 result = mk.original_test(yearly_temp) print(result)

输出会包含趋势方向（increasing/decreasing）、p值、Z统计量等。如果result.trend为 ‘increasing‘ 且result.p< 0.05，则表明存在显著的上升趋势。

实操心得：

1. 样本量：M-K检验需要一定的样本量才能保证功效。通常建议n>10。对于非常短的时间序列，结果可能不可靠。
2. 季节性影响：如果数据有强烈的季节性（如月度销售数据），直接对原始数据做M-K检验，可能会把季节性波动误判为趋势。正确的做法是：先提取年度数据（如每年一个值），或对原始数据进行“去季节化”处理后再检验。
3. 突变点：标准的M-K检验假设趋势在整个序列中是单调的。如果序列中存在趋势突变点（例如，政策改变前后的数据），标准M-K检验可能无法准确识别。此时需要考虑使用改进的M-K检验，如序列均一性检验或滑动窗口M-K检验。

2.3 Cox-Stuart趋势检验：针对小样本的快速判断

Cox-Stuart检验是另一种非参数方法，它比M-K检验更简单直接，特别适用于小样本数据。

核心原理： 将序列分成前后两半（如果数据点数为奇数，则去掉中间一个点）。然后配对比较前半部分和后半部分对应位置的数据点。统计前半部分数据点大于后半部分对应数据点的对数（记为S+），以及小于的对数（记为S-）。趋势的强度由S+和S-的差异来判断。

假设检验：

• 原假设 H0：无趋势。
• 备择假设 H1：存在趋势。
• 判断：取S = max(S+, S-)。在无趋势的原假设下，S应服从二项分布。通过查二项分布表或计算p值，可以判断趋势是否显著。

适用场景与局限： Cox-Stuart检验计算极快，对数据分布没有要求。但其缺点也很明显：它只利用了序列首尾的信息，完全忽略了中间数据点的顺序和波动，因此信息利用不充分，检验功效通常低于M-K检验。它更适合作为对M-K检验结果的一个快速验证或补充，或者在数据量极少时的初步筛查。

3. 平稳性检验：审视统计特性的时间不变性

平稳性是时间序列分析中一个基石性的概念。一个平稳的时间序列，其统计性质（如均值、方差、自协方差）不随时间推移而改变。这意味着序列的行为在时间上是“一致”的，我们可以用历史数据来推断未来的统计规律。绝大多数经典时序模型（AR, MA, ARMA）都建立在平稳序列的假设之上。

3.1 平稳性的定义与类型

在深入检验之前，我们需要明确两种主要的平稳性：

1. 严平稳：序列的任意有限维联合分布不随时间平移而改变。这是一个非常强的条件，在实际中难以验证和应用。
2. 弱平稳（宽平稳）：这是我们通常检验和要求的类型。它要求：
   • 均值平稳：序列的期望值E(X_t)是一个常数，与时间t无关。
   • 方差平稳：序列的方差Var(X_t)是一个常数，与时间t无关。
   • 自协方差平稳：序列在任意两个时刻t和t+k的协方差Cov(X_t, X_{t+k})只依赖于时间间隔k，而与具体的起始时间t无关。

简而言之，弱平稳序列围绕一个恒定均值上下波动，且波动的幅度和模式（自相关结构）在时间上是稳定的。直观上看，它的时序图应该在一个水平线附近波动，没有明显的趋势或周期。

3.2 Augmented Dickey-Fuller (ADF) 检验：最常用的单位根检验

ADF检验是检验平稳性的“黄金标准”。它的核心思想是检验序列是否存在“单位根”。如果存在单位根，则序列是非平稳的，通常具有随机游走的特性；反之，则可能是平稳的。

模型基础： ADF检验基于以下回归模型：Δy_t = α + βt + γy_{t-1} + Σ_{i=1}^{p} φ_i Δy_{t-i} + ε_t其中：

• Δy_t = y_t - y_{t-1}，即一阶差分。
• α是常数项（漂移项）。
• βt是时间趋势项。
• γy_{t-1}是核心项，γ = ρ - 1，ρ是自回归系数。
• Σ φ_i Δy_{t-i}是加入的滞后差分项，用于消除误差项的自相关，确保其是白噪声。
• ε_t是白噪声误差项。

假设检验：

• 原假设 H0：γ = 0，即序列存在单位根（非平稳）。
• 备择假设 H1：γ < 0，即序列不存在单位根（平稳）。

检验统计量与判断： ADF检验会计算一个特定的t统计量（与常规的t统计量不同），然后将其与一系列临界值（由Dickey和Fuller通过模拟得到）进行比较。我们通常直接关注p值：

• 如果p值小于显著性水平（如0.05），则拒绝原假设，认为序列平稳。
• 如果p值大于显著性水平，则无法拒绝原假设，认为序列非平稳。

Python实操示例（使用statsmodels库）：

from statsmodels.tsa.stattools import adfuller import pandas as pd # 假设我们有一组存在明显上升趋势的模拟数据 np.random.seed(42) trend_data = pd.Series(np.arange(100) * 0.5 + np.random.randn(100) * 10) # 执行ADF检验， autolag=‘AIC‘ 表示自动根据AIC准则选择最佳滞后阶数p adf_result = adfuller(trend_data, autolag=‘AIC‘) print(‘ADF Statistic: %f‘ % adf_result[0]) print(‘p-value: %f‘ % adf_result[1]) print(‘Critical Values:‘) for key, value in adf_result[4].items(): print(‘\t%s: %.3f‘ % (key, value)) # 判断 if adf_result[1] < 0.05: print(“序列是平稳的（拒绝原假设）”) else: print(“序列是非平稳的（无法拒绝原假设）”)

对于这个有明显趋势的数据，p值几乎肯定会大于0.05，输出非平稳的结论。

关键参数与实操陷阱：

1. 回归模型类型（regression）：adfuller函数有一个regression参数，通常有‘c‘（仅常数项）、‘ct‘（常数项和趋势项）、‘ctt‘（常数项、线性和二次趋势项）、‘nc‘（无常数无趋势）。如何选择？一个实用的方法是：先观察时序图。如果序列看起来围绕非零均值波动，用‘c‘；如果看起来有线性趋势，用‘ct‘。选择不当会影响检验功效。一个保守的做法是从包含趋势项的模型（‘ct‘）开始。
2. 滞后阶数（lags）：滞后阶数p的选择至关重要。p太小，残差中可能仍有自相关，导致检验失真；p太大，会损失自由度，降低检验功效。设置autolag=‘AIC‘或‘BIC‘让函数自动选择是一个好习惯。
3. 结果解读：ADF检验的“无法拒绝原假设”并不意味着序列一定是非平稳的，也可能是检验功效不足（例如样本量太小、趋势不明显）。此时需要结合其他检验（如KPSS）综合判断。

3.3 KPSS检验：从另一视角验证平稳性

KPSS检验与ADF检验的假设正好相反，它为我们提供了另一个重要的视角。

假设检验：

• 原假设 H0：序列是趋势平稳或水平平稳的。
• 备择假设 H1：序列是非平稳的（存在单位根）。

核心思想： KPSS检验将序列分解为确定性趋势、随机游走和稳态误差三部分。它构造一个LM统计量来检验随机游走分量的方差是否为0。如果为0，则序列是趋势平稳的（围绕一个确定性趋势波动）；如果不为0，则存在非平稳的随机游走成分。

如何与ADF检验结合使用： 这是实践中非常有效的“组合拳”：

1. 情况一：ADF检验拒绝原假设（平稳），且KPSS检验不拒绝原假设（平稳）。结论最强：序列是平稳的。
2. 情况二：ADF检验不拒绝原假设（非平稳），且KPSS检验拒绝原假设（非平稳）。结论最强：序列是非平稳的。
3. 情况三：两个检验结论矛盾。这是最常见也最需要小心的情况。通常意味着序列可能具有接近单位根的特性，或者存在结构突变。此时需要更仔细地分析时序图，或进行差分后再检验。

Python实操示例：

from statsmodels.tsa.stattools import kpss # 对同一组趋势数据做KPSS检验 kpss_result = kpss(trend_data, regression=‘ct‘) # ‘ct‘表示检验“趋势平稳”的原假设 print(‘KPSS Statistic: %f‘ % kpss_result[0]) print(‘p-value: %f‘ % kpss_result[1]) print(‘Critical Values:‘) for key, value in kpss_result[3].items(): print(‘\t%s: %.3f‘ % (key, value)) # KPSS检验的p值判断与ADF相反：p值小则拒绝原假设（认为非平稳） if kpss_result[1] < 0.05: print(“序列是非平稳的（拒绝原假设）”) else: print(“序列是平稳的（无法拒绝原假设）”)

对于趋势数据，KPSS检验的p值很可能很小，拒绝“趋势平稳”的原假设，得出非平稳的结论，与ADF检验相互印证。

3.4 其他辅助诊断方法

除了正式的统计检验，还有一些图形化方法可以帮助我们判断平稳性：

1. 自相关图（ACF Plot）：平稳序列的自相关函数通常会快速衰减至0（或在一定滞后阶数后落入置信区间内）。而非平稳序列的自相关函数衰减非常缓慢，在很大滞后阶数上仍然显著不为0。在Python中，可以使用statsmodels.graphics.tsaplots.plot_acf来绘制。
2. 滚动统计量图：计算并绘制序列的滚动均值（如30期滚动平均）和滚动标准差。如果序列是平稳的，这两条线应该大致是水平的直线。如果滚动均值有明显的变化趋势，或滚动标准差剧烈波动，则提示非平稳。这是非常直观的验证方法。

4. 检验后的行动指南：从诊断到处理

完成了趋势性和平稳性检验，我们得到了关于数据特性的诊断报告。接下来，就需要根据诊断结果，采取相应的数据预处理措施，为后续建模铺平道路。这个决策流程至关重要。

4.1 诊断结果与处理路径决策

我们可以将诊断结果归纳为以下几种典型情况，并给出对应的处理建议：

4.2 核心处理技术详解

1. 差分法差分是处理趋势和非平稳性最常用、最有效的方法之一。一阶差分可以消除线性趋势，二阶差分可以消除二次曲线趋势。

• 操作：y_t‘ = y_t - y_{t-1}（一阶差分）。在Pandas中，使用series.diff().dropna()。
• 注意事项：
  • 差分会损失一个数据点。
  • 过度差分（阶数过高）会使序列产生不必要的波动，并可能导致模型不可逆。通常差分阶数不超过2。
  • 差分后必须重新进行平稳性检验，确保序列已转化为平稳。

2. 趋势拟合法当趋势具有明确的函数形式（如线性、多项式、指数）时，可以直接拟合并剔除。

• 操作：以线性趋势为例，用最小二乘法拟合模型y_t = β0 + β1 * t + ε_t。然后得到去趋势后的序列ε_t = y_t - (β0 + β1 * t)。
• 优缺点：优点是可解释性强，能保留趋势的具体形式。缺点是假设了趋势的特定形态，如果假设错误，剔除效果会变差。

3. 变换法对于方差非平稳（异方差）的序列，即波动幅度随时间变化，可以通过数学变换稳定方差。

• 对数变换：y‘_t = log(y_t)。适用于序列值均为正，且其波动幅度与水平成正比的情况（例如金融价格序列）。
• Box-Cox变换：更通用的幂变换族，公式为y‘_t = (y_t^λ - 1)/λ (λ≠0)或log(y_t) (λ=0)。参数λ通过最大似然估计确定。Python中可用scipy.stats.boxcox。

实操心得：顺序很重要一个标准的预处理流程往往是：先处理方差非平稳（如做对数变换），再检验并处理趋势和均值非平稳（如差分）。因为变换可能改变序列的趋势形态，先做变换能让后续的趋势判断更准确。处理完成后，务必再次进行平稳性检验，确保目标达成。

5. 综合案例实战：全球气温数据分析

让我们用一个接近真实的案例，串联起从检验到处理的完整流程。假设我们有一份1880年至2023年的全球年平均气温异常数据（相对于20世纪平均值的偏差）。

5.1 数据初探与可视化

首先，我们加载数据并绘制时序图。

import pandas as pd import matplotlib.pyplot as plt import numpy as np from statsmodels.tsa.stattools import adfuller, kpss import pymannkendall as mk # 假设数据已加载到DataFrame `df` 中，包含‘Year‘和‘Temp_Anomaly‘两列 # 绘制时序图 plt.figure(figsize=(12, 6)) plt.plot(df[‘Year‘], df[‘Temp_Anomaly‘], marker=‘.‘) plt.xlabel(‘Year‘) plt.ylabel(‘Temperature Anomaly (°C)‘) plt.title(‘Global Annual Temperature Anomaly (1880-2023)‘) plt.grid(True, linestyle=‘--‘, alpha=0.7) plt.show()

从图上我们可以直观地看到：序列整体呈现明显的上升趋势，且波动似乎随着时间的推移有所增大（后期波动更剧烈）。

5.2 执行趋势性与平稳性检验

步骤1：Mann-Kendall趋势检验

result_mk = mk.original_test(df[‘Temp_Anomaly‘]) print(f“Mann-Kendall Test:“) print(f“ Trend: {result_mk.trend}“) print(f“ p-value: {result_mk.p:.6f}“) print(f“ Z-statistic: {result_mk.z:.3f}“)

输出结果几乎可以肯定显示Trend: increasing且p-value: 0.000000，证实存在极其显著的上升趋势。

步骤2：ADF平稳性检验（包含趋势项）

adf_result = adfuller(df[‘Temp_Anomaly‘], regression=‘ct‘, autolag=‘AIC‘) print(f“\nADF Test (with trend):“) print(f“ ADF Statistic: {adf_result[0]:.3f}“) print(f“ p-value: {adf_result[1]:.6f}“) # 判断 if adf_result[1] > 0.05: print(“ Conclusion: Fail to reject H0 -> Series is NON-STATIONARY“)

由于存在强趋势，ADF检验的p值很可能大于0.05，得出非平稳的结论。

步骤3：KPSS平稳性检验（检验趋势平稳的原假设）

kpss_result = kpss(df[‘Temp_Anomaly‘], regression=‘ct‘) print(f“\nKPSS Test (for trend-stationarity):“) print(f“ KPSS Statistic: {kpss_result[0]:.3f}“) print(f“ p-value: {kpss_result[1]:.6f}“) # 判断 (KPSS的p值小则拒绝平稳原假设) if kpss_result[1] < 0.05: print(“ Conclusion: Reject H0 -> Series is NON-STATIONARY“)

KPSS检验也很可能因为明显的趋势而拒绝“趋势平稳”的原假设，得出非平稳结论。

诊断小结：数据存在显著上升趋势（M-K检验），且同时被ADF和KPSS检验判定为非平稳。这符合我们表格中的情况A：趋势非平稳。

5.3 数据处理与再检验

步骤1：尝试一阶差分消除趋势

# 计算一阶差分 df[‘Temp_Diff‘] = df[‘Temp_Anomaly‘].diff().dropna() # 绘制差分后序列 plt.figure(figsize=(12, 6)) plt.plot(df[‘Year‘].iloc[1:], df[‘Temp_Diff‘]) plt.axhline(y=0, color=‘r‘, linestyle=‘-‘, alpha=0.3) plt.xlabel(‘Year‘) plt.ylabel(‘First Difference (°C)‘) plt.title(‘Global Temperature Anomaly - First Difference‘) plt.grid(True, linestyle=‘--‘, alpha=0.7) plt.show()

差分后的序列图应该围绕0值上下波动，不再有明显的趋势。

步骤2：对差分后序列进行平稳性检验

# ADF检验（差分后通常只带常数项即可） adf_result_diff = adfuller(df[‘Temp_Diff‘].dropna(), regression=‘c‘, autolag=‘AIC‘) print(f“ADF Test on Differenced Series:“) print(f“ p-value: {adf_result_diff[1]:.6f}“) if adf_result_diff[1] < 0.05: print(“ Conclusion: Reject H0 -> Differenced series is STATIONARY“) # KPSS检验（检验水平平稳） kpss_result_diff = kpss(df[‘Temp_Diff‘].dropna(), regression=‘c‘) print(f“\nKPSS Test on Differenced Series:“) print(f“ p-value: {kpss_result_diff[1]:.6f}“) if kpss_result_diff[1] > 0.05: print(“ Conclusion: Fail to reject H0 -> Differenced series is STATIONARY“)

此时，ADF检验的p值应变得很小（<0.05），拒绝原假设；KPSS检验的p值应变得较大（>0.05），无法拒绝原假设。两者一致表明：一阶差分后的序列是平稳的。

步骤3（可选）：处理可能存在的方差非平稳观察原始序列图，后期波动似乎更大。我们可以计算滚动标准差来验证。

rolling_std = df[‘Temp_Anomaly‘].rolling(window=30).std() plt.figure(figsize=(12, 4)) plt.plot(df[‘Year‘], rolling_std) plt.xlabel(‘Year‘) plt.ylabel(‘30-year Rolling Std Dev‘) plt.title(‘Rolling Standard Deviation of Temperature Anomaly‘) plt.grid(True, linestyle=‘--‘, alpha=0.7) plt.show()

如果滚动标准差显示明显上升趋势，说明存在异方差。可以考虑先对原始数据做对数变换（由于温度异常值有正有负，需先平移使其全为正），然后再进行差分和检验。但在本例中，气温异常值的波动增长可能并非指数型，简单的差分可能已足够使序列平稳用于建模。这是一个需要根据模型后续表现来权衡的建模选择。

5.4 案例总结与建模指引

通过这个完整流程，我们得出结论：原始全球气温异常序列是趋势非平稳的。一阶差分能有效将其转化为平稳序列。因此，在后续建立ARIMA等模型时，差分阶数d应设置为1。这个“d=1”的参数不是凭空猜测的，而是由严格的趋势性与平稳性检验推导出的科学依据。

如果进一步分析发现差分后序列的自相关图和偏自相关图具有截尾或拖尾特征，我们就可以 confidently 进入ARIMA(p,1,q)模型的定阶与参数估计阶段。整个建模流程的基石由此奠定。忽视检验而直接建模，很可能选择一个不合适的d值，导致模型识别错误、预测失效。这个案例清晰地展示了，在时间序列分析的起点上，投入时间进行严谨的“数据体检”是多么重要的一步。它节省的不是几分钟，而是可能浪费在错误方向上的数天甚至数周时间。