ADF检验：时序平稳性判断标准

可视化演示

展示机器人机械臂在正常与奇异位形下的运动学特征，包括雅可比矩阵行列式变化与可操作度椭球变形，直观理解运动学奇点的本质。

平稳性概念

回到游乐场。第一架秋千的“家”，就是那个垂直下垂的位置。不管被推到哪，只要没人继续推，它都自己回到那个点附近；更妙的是，它来回荡的幅度也很有规律，不会这一下冲上天、那一下纹丝不动。统计学家把这种“有家可回、行为稳定”的序列，称为平稳时间序列。

当然，数据不会像秋千那样肉眼可见地晃动。我们说的平稳，是统计规律上的平稳：序列的均值、方差，以及任意两点的相关关系，不会随着时间推移而改变。严格平稳要求所有高阶矩都不变，现实中太苛刻；我们常用的“弱平稳”（也叫宽平稳）只需要三条核心条件。

弱平稳的三个条件是：第一，期望恒定，整个序列的均值是一个固定常数 μ；第二，方差恒定，波动幅度不随时间变大变小；第三，任意两个时间点的协方差只和它们相隔多远（滞后期 k）有关，与具体位置无关。

换句话说，平稳序列无论被观察多久，它的“行为档案”始终不变——秋千的回定点、摆动幅度、前后摆的连贯性都像刻在石头上一样稳定。这份稳定，正是后续一切时间序列建模的底气。

单位根含义

现在看第二架秋千。你轻轻推了一把，它没有像第一架那样荡回原点，而是停在了更远的地方；第二天你又推了一下，它又记住了一次，位置再次永久改变。它的每一次“经历”都完整地留在当前位置里，永不消逝。这种“记仇”的机制，在时间序列里有个专门的名字——单位根。

最典型的单位根过程是随机游走：今天的值等于昨天的值加上一个随机噪声。此刻的位置，是全历史所有噪声的累计之和。为了看清这种机制，我们先看一阶自回归模型 AR(1)：它假设本期值等于上期值乘以记忆系数 ρ，再加一个新噪声。

当 |ρ| < 1 时，昨天的记忆会随时间衰减到零，序列最终回到均值附近，这就是平稳；当 ρ = 1 时，昨天的记忆 100% 被保留，所有冲击都永久累积——这就是单位根。ADF检验的本质，就是检验 ρ 是否等于 1。

单位根序列的本质就是“永不遗忘”：每一场噪声都写进账本，导致它的位置、它的统计特征永远在变。这正是它和“恋家”秋千最根本的区别。

ADF检验原理

我们怎么知道一架秋千是“恋家”还是“记仇”？光看它荡多高不够——有时“记仇”的秋千恰好停在原点附近，会骗过眼睛。更可靠的办法是：轻轻推一下，测量它“试图回去”的回拉力有多大。

ADF检验（Augmented Dickey-Fuller，增广迪基-富勒检验）干的就是这件事。它不直接看序列的绝对水平，而是看“每个时刻的变化量”和“上一时刻的水平”之间有没有负向的拉力。如果上一期位置越高、本期回落得越多，说明存在均值回归的“回拉力”。

ADF回归方程如下。其中 γ 就是回拉力系数：γ = 0 表示没有回拉力，序列带着单位根流浪；γ < 0 表示有回拉力，序列会回到均值。方程中的 α 是常数项，βt 是时间趋势项，ΣδᵢΔYₜ₋ᵢ 是滞后差分项，它们分别处理水平漂移、确定性趋势和残差自相关污染。

ADF检验就像给秋千装上了“回拉力测力计”：它关心的是每次被推出去后，秋千会不会自己往回使劲。这个“回拉的力气”，决定了秋千是恋家还是记仇。

检验执行步骤

测力计读数出来了，但数字总是有波动的。我们说“回拉力明显存在”，到底多大算明显？统计学家把这个问题装进假设检验的框架。

ADF检验的原假设是 γ = 0，即存在单位根（记仇的秋千）；备择假设是 γ < 0，即平稳（恋家的秋千）。检验统计量是 γ 估计值与其标准误的比值，越负越说明回拉力显著。

流程很清晰：先看 p 值。若 p < 0.05，测力计响亮地宣告“这秋千有家”；若 p ≥ 0.05，说明数据还不足以证明回拉力存在，我们暂且认定它是“记仇”的秋千，需要进一步改造（差分）。

差分变换方法

如果秋千确实“记仇”，工程师的改造方案很巧妙：既然绝对位置老是离家出走，那干脆不看位置，改看每次摆动之间的距离变化。把“荡到哪”换成“这次比上次多荡了多少”，这个“变化量”往往就安分了。

这个“相邻值相减”的运算，就是差分。一阶差分 ΔYₜ = Yₜ − Yₜ₋₁ 描述单位时间内的变化量。随机游走差分后变成纯噪声序列（即平稳的），因为“位置”里的永久记忆被一步抵消。如果一阶差分后还不平稳，可以对差分序列再差分，得到二阶差分。

差分不是“换一架秋千”，而是换一种观察角度：记仇的秋千位置没个准，但它每一次摆动的“增量”却很有规律。改造后，原来的流浪汉也变成了有家可回的乖孩子。

建模实践流程

现在把完整的流程看成一次“秋千体检 + 定制训练”：体检判断性格，训练改变性格，最后才能放心预测它下一秒荡向哪里。

实际工作中，拿到一条时间序列后，第一步永远是画图 + ADF检验；若 p ≥ 0.05 判为非平稳，就做一阶差分再检验；直到差分后的序列通过检验，才进入 ARIMA 等模型构建。差分次数就是 ARIMA(p,d,q) 中的 d。

建模实践就像一套标准动作：体检（ADF）判断秋千性格，差分训练改变性格，再体检确认改造成功，最后才上预测模型。严谨走完这套流程，你的时间序列模型才算真正“站在平稳的地面上”。

AI 应用场景

Python 演示

import numpy as npfrom statsmodels.tsa.stattools import adfuller  def check_stationarity(series, name="series"):    """对序列执行ADF检验并打印结果，返回是否平稳."""    result = adfuller(series, autolag="AIC")    stat = result[0]    p_value = result[1]    critical = result[4]    print(f"--- {name} ---")    print(f"ADF统计量: {stat:.4f}")    print(f"p值: {p_value:.4f}")    print(f"1%临界值: {critical['1%']:.4f}")    print(f"5%临界值: {critical['5%']:.4f}")    print(f"结论: {'平稳' if p_value < 0.05 else '非平稳（存在单位根）'}\n")    return p_value < 0.05  def main():    rng = np.random.default_rng(42)    n = 200     # 生成随机游走（非平稳）    random_walk = np.cumsum(rng.standard_normal(n))    # 生成平稳AR(1)    ar = np.zeros(n)    for i in range(1, n):        ar[i] = 0.7 * ar[i - 1] + rng.standard_normal()     print("===== 随机游走 =====")    is_rw = check_stationarity(random_walk, "random_walk")    if not is_rw:        print("对随机游走做一阶差分:")        diff_rw = np.diff(random_walk)        check_stationarity(diff_rw, "diff(random_walk)")     print("===== AR(1) =====")    check_stationarity(ar, "ar(1)")  if __name__ == "__main__":    main()

1. random_walk = np.cumsum(rng.standard_normal(n))对噪声做累加生成随机游走，相当于“记仇秋千”不断叠加历史冲击
2. result = adfuller(series, autolag="AIC")调用 ADF 检验，autolag="AIC" 让函数自动选最优滞后阶数
3. p_value = result[1]取出 p 值，这是判定平稳与否的关键依据
4. if p_value < 0.05:小于 0.05 拒绝原假设，判定序列平稳（有“回拉力”）
5. diff_rw = np.diff(random_walk)一阶差分：相邻值相减，清空“历史账本”
6. critical['5%']输出 5% 显著性水平下的临界值，与 ADF 统计量对照

常见误区

面试题