想象你是一名裁缝，手里拿到一件穿了一周、布满褶皱的旧衬衫：整体斜向拉扯出的大褶子、衣柜折叠留下的规则折痕、还有因为汗渍和磨损变得厚薄不一的布料。你要在这件衬衫上绣出精美的图案（训练AI模型），可拿着皱巴巴的面料直接下针，结果必然歪歪扭扭。时间序列预处理就是把这件“时序衬衫”熨平的过程——差分像熨斗，一推一拉把整体趋势的大褶子压平；季节差分则沿着固定的折痕线精准压制，把周期性起伏熨成一片平整；Box-Cox变换好比调节蒸汽，专门对付“有的地方厚、有的地方薄”的方差问题。等布面光滑如新，ARIMA这类模型才能看清面料下隐藏的精巧纹理。这篇文章会带你亲手熨烫一件时序衬衫，搞明白熨几次、怎么熨、用什么蒸汽档位，以及熨完之后如何把预测值还原成能直接交付的“成品衬衫”。

岗位关联

平稳化是时序预测的“布料质检关”，掌握差分与Box-Cox，你才能让ARIMA模型看清真正的规律，这是时间序列工程师的基本功。

目录
  1. 可视化演示
  2. 平稳性概念
  3. 一阶差分
  4. 季节差分
  5. 差分阶数
  6. Box-Cox原理
  7. Lambda选择
  8. 过度差分
  9. 预测还原
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

通过差分、季节差分和Box-Cox变换三个视角，展示将非平稳时间序列转化为平稳序列的核心方法与参数选择。

本节配有交互动效（进入视口后自动加载，约 3KB）。

平稳性概念

拿到一块准备刺绣的布料，裁缝会先用手摸一遍：厚薄是否均匀？拉伸是否走形？如果布料左厚右薄、纹理忽疏忽密，再精美的绣花也会被扭曲。时间序列的“平稳性”就是这块布的质检标准——不平稳的序列，均值、方差、相关性都像劣质布料一样处处跑偏。任何一段裁剪下来都无法代表整体，模型学到的规律自然不可靠。

在时间序列分析中，我们通常关注“弱平稳”，它不要求序列完全没有波动，而是要求统计性质稳定：无论选取哪一段时间窗口，序列的平均高度一致，波动幅度一致，相隔 k 个时刻的两个观测之间的相关性只由 k 决定。这就像一块织法均匀的布料，任意剪一块，手感都差不多。

假设观测序列为 X_t，弱平稳的三个条件可以写成：

平稳序列就像一块标准布料，裁剪出任何一段都能代表整体。ARIMA 这类模型之所以要求数据先平稳化，是因为只有面对“规则面料”，模型才能把从过去学到的规律安全地推广到未来。

E[Xt]=μ,Var(Xt)=σ2,Cov(Xt,Xt−k)=γkE[X_t] = \mu,\quad Var(X_t) = \sigma^2,\quad Cov(X_t, X_{t-k}) = \gamma_k
通俗地说，就是均值固定、方差固定、相关结构只和时间跨度有关，这三条合起来让序列“行为一致”。
  1. 均值恒定无论 t 取哪一刻，期望都是同一个常数 μ，就像布面任何点位的厚度一致。
    E[Xt]=μE[X_t] = \mu
  2. 方差稳定波动幅度不随时间改变，布面的纹理疏密处处相同。
    Var(Xt)=σ2Var(X_t) = \sigma^2
  3. 自协方差只依赖滞后Cov(X_t, X_{t-k}) = γ_k 表示相隔 k 个时刻的相关强度恒定，只受距离影响，不受起点影响。
    Cov(Xt,Xt−k)=γkCov(X_t, X_{t-k}) = \gamma_k

一阶差分

熨斗从衬衫的左肩推向右下摆，一次加压，把整件衣服因穿着而“整体斜向拉扯”出来的大褶皱压平。这直观的一推，对应时间序列中的“一阶差分”。它是最简单、最常用的平整手段，专门对付那些带着明显上升或下降趋势的序列。

如果销售数据从第一天的一百元缓慢爬升到第一万天的一千万元，相邻两天相减，得到的几乎就是“每天的增长量”。把这么多增长量拼成一个新序列，原来的陡坡就不见了，剩下的是围绕某条水平线的起伏。这个“相邻相减”的运算，就是差分。

一阶差分的数学表达非常简洁：

一次熨烫之后，衬衫的整体“走向”被重置。差分后的序列均值被拉回零附近，原先的大趋势不再干扰视线，接下来就可以仔细查看布料上还剩下哪些更精细的褶皱——比如周期性的季节折痕。

Δxt=xt−xt−1\Delta x_t = x_t - x_{t-1}
今天的观测值减去昨天的观测值，得到的变化量抹掉了整体斜坡，只留下局部波动。
  1. 当前观测值x_t 表示今天（时刻 t）观测到的数据，比如今天的销售额。
    xtx_t
  2. 昨日观测值x_{t-1} 是上一个时刻的数据，即昨天的销售额。
    xt−1x_{t-1}
  3. 相减得增量用今天的值减去昨天的值，如果序列有线性趋势，这一减就把趋势项消掉了。
    Δxt=xt−xt−1\Delta x_t = x_t - x_{t-1}

季节差分

衬衫除了全身的大褶皱，还有在衣柜里叠放一整年留下的、排列整齐的“规则折痕”——每年夏天冷饮销量激增，每年冬天羽绒服销量上行，这种以 12 个月为周期的重复波动，就是时间序列的季节成分。普通熨斗横着推，很难处理这种和季节位置绑定的折痕，得沿着折痕的母版精准压。

如果只做一阶差分，相邻两天相减，并不会消除“每年 6 月都激增”这种同季效应。要处理周期为 S 的季节性，应当把当前时刻的值，减去上一个周期同一位置的值。对月度数据 S=12，对周数据 S=7，对小时数据可能是 S=24。

季节差分的表达式是：

沿着折痕的母版精准熨烫，规则的季节起伏就被压回原样。实际业务中，普通差分和季节差分常常组合使用：先一阶差分去掉趋势，再季节差分去掉周期，两道工序后，布面还剩最后一点顽固的厚薄不均。

ΔSxt=xt−xt−S\Delta_S x_t = x_t - x_{t-S}
当前值和“上一个同季节位置”的值相减，把周期性重复的那部分波动整体移除。
  1. 季节周期确定S 是季节的长度，月度数据取 12，代表一年一个轮回。
    S=12S = 12
  2. 同季历史值x_{t-S} 是上一个周期同一时刻的观测，比如去年同月的销量。
    xt−Sx_{t-S}
  3. 同季相减当前值减去同季值，把“每年这个季节都高/低”的固定折痕剥离开。
    ΔSxt=xt−xt−S\Delta_S x_t = x_t - x_{t-S}

差分阶数

有些衬衫叠了三层，一熨斗下去只解决了最外面一层，里面还有两道褶。要不要再熨第二斗？答案不是“越多越好”，而是“看剩下的褶皱还有几层”。差分阶数 d 就是熨烫的次数，它决定了我们要做几次差分才能让序列平稳。

怎么判断还需要继续熨？最常用的工具是 ADF 检验，它本质上是检验序列里是否还藏着“单位根”——如果有单位根，说明布料还不够平，需要再差分；如果没有，就停手。除此之外，ACF 拖尾的速度和信息准则（AIC/BIC）也会帮忙判断。三者结合，就能较可靠地确定 d。

ADF 检验的核心回归方程是：

熨烫次数宁少勿多，每次差分都会损失一个观测值，也会对噪声做一次放大。聪明的方法是：先试一斗，检验一次；不合格再补一斗，直到 ADF 检验放行。

Δxt=γxt−1+∑i=1pϕiΔxt−i+εt\Delta x_t = \gamma x_{t-1} + \sum_{i=1}^{p}\phi_i \Delta x_{t-i} + \varepsilon_t
ADF 检验看系数 γ 是否显著为负，如果显著，说明序列平稳；如果不显著，说明还有单位根，需要继续差分。
  1. 构造回归式把 Δx_t 对 x_{t-1} 以及若干滞后差分项回归，γ 是 x_{t-1} 的系数。
    Δxt=γxt−1+∑i=1pϕiΔxt−i+εt\Delta x_t = \gamma x_{t-1} + \sum_{i=1}^{p}\phi_i \Delta x_{t-i} + \varepsilon_t
  2. 原假设H0: γ=0，表示序列存在单位根，仍然不平稳。
    H0:γ=0H_0: \gamma = 0
  3. 拒绝则停手如果检验统计量小于临界值，拒绝原假设，说明这一阶差分已经足够。
    d=dcurrentd = d_{current}

Box-Cox原理

有的衬衫穿久了会出现“厚薄不均”：肩膀处补丁叠补丁厚得硬挺，下摆却被洗得薄如蝉翼。在时间序列里，这种“厚度不均”就是方差随均值增大而增大的现象——销售额越高，波动也越大。熨斗只能压平形状，无法改变布料本身的质感，这时需要上蒸汽。

Box-Cox 变换就是一个“蒸汽熨烫”装置：它用一整套幂函数，把数据映射到一个新的标度上，使得原本被拉伸得过宽的厚区域收缩，薄区域适度舒展，最终让整个序列的方差趋于一致。它不改变数据之间的顺序，但改变了它们之间的“距离感”。

Box-Cox 变换的数学形式是一族幂变换：

蒸汽熨烫让厚处收缩、薄处舒展，变换后的序列方差变得相对稳定，分布也更接近对称。箱线图上那些拖得老长的尾巴被收拢，后续的 ARIMA 建模就有了均匀的“布面质地”。

yt(λ)={xtλ−1λ,λ≠0ln⁡xt,λ=0y_t^{(\lambda)} = \begin{cases} \dfrac{x_t^\lambda - 1}{\lambda}, & \lambda \neq 0 \\ \ln x_t, & \lambda = 0 \end{cases}
当 λ=0 时退化为取对数，当 λ=1 时是恒等变换；它通过幂运算把不同量级的数据压到同一个“厚度”上。
  1. 取幂对原始值 x_t 做 λ 次幂运算，λ 控制蒸汽强度。
    xtλx_t^\lambda
  2. 标准化分子减 1 是为了让 λ 趋近 0 时公式平滑过渡到对数。
    xtλ−1x_t^\lambda - 1
  3. 除以 λ整体除以 λ，让变换后的尺度随 λ 连续变化。
    xtλ−1λ\frac{x_t^\lambda - 1}{\lambda}
  4. 对数极限λ=0 时直接取自然对数，这是最常用的“温和档位”。
    ln⁡xt\ln x_t

Lambda选择

蒸汽熨斗的档位不能凭感觉瞎拧：档位太低，厚薄不均依旧；档位太高，布料被蒸汽打湿变形。Box-Cox 变换的 λ 就是这样一档蒸汽强度，需要靠数据自己说话。最经典的做法是最大似然估计——把每个候选 λ 都试一遍，看哪个档位让变换后的序列“最规整”。

具体做法是：在 λ 的候选区间内网格搜索，对每个 λ 计算变换后序列的方差，再结合一个雅可比校正项，构成对数似然值。似然值越高，说明这个 λ 越能解释数据的分布形态。把每个 λ 对应的似然值连成一条曲线，峰顶就是最优档位。

对数似然函数的形式为：

找到似然曲线的峰顶后，通常会看峰顶是否接近某个“整数档位”。如果最优 λ≈0，直接用对数变换；如果最优 λ≈0.5，用平方根变换。用整数值代替小数 λ，既能保留绝大部分效果，也让后续的解释和还原更简单。

λ^=arg⁡max⁡λ[−n2ln⁡(1n∑t=1n(yt(λ)−yˉ(λ))2)+(λ−1)∑t=1nln⁡xt]\hat{\lambda} = \arg\max_{\lambda}\left[ -\frac{n}{2}\ln\left(\frac{1}{n}\sum_{t=1}^{n}(y_t^{(\lambda)} - \bar{y}^{(\lambda)})^2\right) + (\lambda - 1)\sum_{t=1}^{n}\ln x_t \right]
前半项惩罚“变换后方差太大”，后半项补偿非线性变换带来的尺度变化，二者平衡出最佳 λ。
  1. 变换序列对当前 λ 计算 y_t^(λ)，这是候选档位下的烫后布面。
    yt(λ)=xtλ−1λy_t^{(\lambda)} = \frac{x_t^\lambda - 1}{\lambda}
  2. 方差惩罚项变换后方差越小，这一项越大，说明布面越均匀。
    ln⁡(1n∑t=1n(yt(λ)−yˉ(λ))2)\ln\left(\frac{1}{n}\sum_{t=1}^{n}(y_t^{(\lambda)} - \bar{y}^{(\lambda)})^2\right)
  3. 雅可比校正乘以 (λ-1)Σln x_t，补偿因幂缩放引入的尺度偏差。
    (λ−1)∑t=1nln⁡xt(\lambda - 1)\sum_{t=1}^{n}\ln x_t

过度差分

熨斗在同一处反复压上十几遍，布料先是出现奇怪的镜面反光，接着起毛、变薄、破出小洞，还添了新的机器压痕。过度差分就是这样的“熨烫过度”：原本已经平稳的序列，再强行多差一次，非但不会让布面更平，反而把微小的噪声放大成明显的锯齿。

为什么过度差分有害？想象一段本来就是白噪声的平稳序列——它已经是一块刚熨好的布。如果你非要在上面再熨一斗，相邻两点的差值会叠加两个独立噪声，方差直接翻倍。原本平滑的布面被自己制造的新褶皱覆盖，模型会把噪声当成信号去拟合。

假设原始噪声是白噪声 u_t，对它做一次差分，方差会扩大：

过度差分还会破坏序列的可逆性，让本来可以还原的信息丢失，MA 结构也发生扭曲。所以每次差分前都要问自己：这斗熨下去，是去掉了真褶皱，还是制造了假折痕？ADF 检验说“停”的时候，就该放下熨斗。

Var(Δut)=Var(ut−ut−1)=2σ2Var(\Delta u_t) = Var(u_t - u_{t-1}) = 2\sigma^2
白噪声的方差是 σ²，差分后变成 2σ²，噪声能量翻倍，这正是“熨过头”的直接代价。
  1. 白噪声u_t 是均值为 0、方差为 σ² 的独立同分布序列。
    ut∼WN(0,σ2)u_t \sim WN(0, \sigma^2)
  2. 差分噪声Δu_t = u_t - u_{t-1}，两个独立噪声相减。
    Δut=ut−ut−1\Delta u_t = u_t - u_{t-1}
  3. 方差累加独立变量的方差相加，结果变成 2σ²，明显大于原来的 σ²。
    Var(Δut)=2σ2Var(\Delta u_t) = 2\sigma^2

预测还原

熨平的衬衫最终要穿出门，没有人会穿着皱巴巴的布出门，但也没人会穿一块平整的“布片”出门——还原预测，就是把熨烫过程中“藏起来”的形状记忆找回来。在平稳化后的序列上做预测，得到的数字是“熨平后的尺度”，必须还原到原始量纲才能向业务方汇报。

还原要按预处理的相反方向走：如果预处理顺序是“一阶差分 → 季节差分 → Box-Cox”，还原时就依次执行“逆 Box-Cox → 逆季节差分 → 逆一阶差分”。逆差分本质上是累加求和：一阶差分的逆运算是从初始值开始，把每一步的差分值逐项加起来；季节差分的逆运算则要借助初始一个周期的值，按周期逐项回填。

还原的关键公式如下：

还原后的预测值带着和原始历史数据相同的量纲，可能是元、千瓦时、件数，直接放进报表就能让业务方看懂。记住，熨平是为了看清纹理，但最终能穿上身的，一定是还原回原本版型的那一件。

x^t+h=xt+∑j=1hΔx^t+j,xt=(λyt+1)1/λ\hat{x}_{t+h} = x_t + \sum_{j=1}^{h}\Delta \hat{x}_{t+j}, \qquad x_t = (\lambda y_t + 1)^{1/\lambda}
逆差分把“变化量”重新叠成“水平值”，逆 Box-Cox 把变换域拉回原始尺度，两者结合输出真正可用的预测。
  1. 逆差分累加预测 h 步的未来值，就是从当前值出发，把每一步的差分预测值累加起来。
    x^t+h=xt+∑j=1hΔx^t+j\hat{x}_{t+h} = x_t + \sum_{j=1}^{h}\Delta \hat{x}_{t+j}
  2. 逆 Box-Cox把变换后的 y_t 还原成原始尺度的 x_t，公式是 Box-Cox 的逆运算。
    xt=(λyt+1)1/λx_t = (\lambda y_t + 1)^{1/\lambda}

AI 应用场景

电商销量预测

阶段：数据准备 / 特征工程

解决的问题：电商日销量既有逐年爬升的长期趋势，又有“双十一”这类周期性峰值，且销售额越大波动越剧烈。直接用原始销量训练 ARIMA，模型会把趋势和季节当噪声，预测严重失真。先做一阶差分去趋势，再做 S=7 的季节差分去周周期，最后用 Box-Cox 稳定方差，才能让 ARIMA 专注于真实需求信号。

具体案例：某生鲜电商的每日订单量序列，预处理后 ADF 检验 p 值从 0.7 降到 0.01，ARIMA 预测的 MAPE 从 28% 降到 12%，节假日峰值也能提前捕捉。

电力负荷预测

阶段：特征工程 / 模型输入

解决的问题：电网负荷有严格的日周期（白天高、夜晚低）和季节周期（夏冬高、春秋低），峰谷差异巨大，方差不稳。用 S=24 的季节差分消除日周期，辅以 Box-Cox 压缩极端峰值，再对平稳残差建模，预测曲线才能贴合真实的负荷波动。

具体案例：某区域电网的 15 分钟粒度负荷数据，预处理后 LSTM 与 ARIMA 的混合模型在夏季高温日的峰值预测误差下降了 35%，调度中心可以更从容地安排发电计划。

金融波动率预估

阶段：数据预处理 / 风险建模

解决的问题：金融资产收益率的方差随时间剧烈变化，牛市的剧烈波动和震荡市的平静交织，直接用 GARCH 或 ARIMA 拟合容易放大极值。Box-Cox 变换能显著压缩大波动，让方差走向平稳，差分则移除微弱的漂移趋势。

具体案例：某基金的日净值对数收益序列，应用 Box-Cox（λ≈0.3）后残差标准差下降 18%，基于平稳化数据的 VaR 估计在回测中少了一天误报警，风控团队对极端行情的判断更稳健。

Python 演示

python113 行
# -*- coding: utf-8 -*-# 差分与Box-Cox: 把非平稳序列平稳化并还原预测import numpy as np  def gen_signal(n=240, seed=42):    """生成带趋势+季节+时变方差的非平稳序列"""    rng = np.random.default_rng(seed)    t = np.arange(n)    trend = 0.08 * t    season = 6 * np.sin(2 * np.pi * t / 12)    noise = rng.normal(0, 1, n) * (1 + t / 60)    return trend + season + noise  def diff_1(x):    """一阶差分"""    return x[1:] - x[:-1]  def diff_seasonal(x, s=12):    """季节差分"""    return x[s:] - x[:-s]  def inv_diff_1(d, x0):    """从一阶差分还原原始序列"""    x = np.empty(len(d) + 1)    x[0] = x0    x[1:] = x0 + np.cumsum(d)    return x  def inv_diff_seasonal(d, init, s=12):    """从季节差分还原, init为前s个初始值"""    n = len(d) + s    x = np.empty(n)    x[:s] = init    for i in range(s, n):        x[i] = x[i - s] + d[i - s]    return x  def boxcox(y, lam):    """Box-Cox变换"""    if abs(lam) < 1e-8:        return np.log(y)    return (np.power(y, lam) - 1) / lam  def inv_boxcox(y, lam):    """逆Box-Cox变换"""    if abs(lam) < 1e-8:        return np.exp(y)    return np.power(lam * y + 1, 1.0 / lam)  def boxcox_ll(y, lam):    """Box-Cox对数似然, 数值上平移为正"""    s = y - y.min() + 1.0    yt = boxcox(s, lam)    mu = yt.mean()    n = len(yt)    var = np.mean((yt - mu) ** 2)    return -0.5 * n * np.log(var) + (lam - 1) * np.sum(np.log(s))  def find_lambda(y):    """网格搜索最优lambda"""    best = 0.0    best_ll = -np.inf    for lam in np.arange(0.0, 1.01, 0.01):        ll = boxcox_ll(y, lam)        if ll > best_ll:            best_ll, best = ll, lam    return best  def acf1(x):    """一阶自相关系数, 观察相关性衰减"""    n = len(x)    xc = x - x.mean()    c0 = np.sum(xc ** 2)    c1 = np.sum(xc[:-1] * xc[1:])    return c1 / c0  def main():    raw = gen_signal()    d1 = diff_1(raw)    d1s = diff_seasonal(d1, 12)    shift = d1s.min() - 1.0    s = d1s - shift            # 平移为正, 满足Box-Cox前提    lam = find_lambda(s)    y = boxcox(s, lam)    print("best lambda = %.2f" % lam)    print("raw: mean %.2f var %.2f acf1 %.2f" % (raw.mean(), raw.var(), acf1(raw)))    print("final: mean %.2f var %.2f acf1 %.2f" % (y.mean(), y.var(), acf1(y)))    # 还原验证: 应能无损恢复原始序列    d1s_back = inv_boxcox(y, lam) + shift    d1_back = inv_diff_seasonal(d1s_back, d1[:12], 12)    raw_back = inv_diff_1(d1_back, raw[0])    print("还原误差: %.2e" % np.max(np.abs(raw_back - raw)))    # 还原预测示例: 平稳域朴素一步预测    y_next = y[-1]    d1s_next = inv_boxcox(y_next, lam) + shift    d1_next = d1[-1] + d1s_next    raw_next = raw[-1] + d1_next    print("下一时点预测(原始尺度): %.2f" % raw_next)  if __name__ == "__main__":    main()
目的：这段代码完整演示了“生成非平稳序列 → 一阶差分 → 季节差分 → Box-Cox → 还原 → 预测”的全流程，是 ARIMA 建模前数据准备的迷你模板。
  1. raw = gen_signal()制造一件“脏衬衫”：趋势 + 季节 + 时变噪声。
  2. d1 = diff_1(raw)第一步熨烫：相邻相减，去掉整体向上爬的趋势。
  3. d1s = diff_seasonal(d1, 12)第二斗：同月相减，去掉 12 个月周期的折痕。
  4. lam = find_lambda(s)用最大似然网格搜索选出“最优蒸汽档位” λ。
  5. y = boxcox(s, lam)用选好的 λ 把数据厚度（方差）统一。
  6. print("final: ...")对比平稳化前后均值、方差和 ACF1，直观验证效果。
  7. raw_back = inv_diff_1(d1_back, raw[0])逆差分回来，检查还原是否无损。
  8. raw_next = raw[-1] + d1_next在平稳域做朴素预测后再还原，得到原始量纲的预测值。

常见误区

误区我总担心差分不够，所以把 d 从 1 做到 8，看到 ADF 检验 p 值终于小于 0.05，就觉得万事大吉，数据一定是越差分越平稳。

正解这不是“熨得越多越好”，而是“熨到刚平就停手”。每多一次差分，都在放大噪声——方差会被叠加扩大，序列的可逆性也会被破坏。好比同一块布反复熨几十遍，最后不再起皱是因为布料已经发硬起毛，而非真正平整。判断标准应该是：从低阶开始逐次检验，一旦 ADF 通过就停止，不是为了 p 值好看而无限加阶。

为何常见：因为新手容易把“检验显著”当作唯一目标，忽略了差分会破坏信息结构这一副作用，也更难意识到一个事实：每次差分都会损失观测值，过度差分让样本量进一步缩小。

误区我拿着一段有负值的时间序列直接调用 Box-Cox，程序报错后我以为是库的 bug，于是手动把所有负数取绝对值再变换。

正解Box-Cox 要求数据为正，是因为幂运算（尤其是开方和对数）对非正数没有定义。正确的做法是先给序列加一个正常数平移，让最小值变为 1 左右的正常数，记录下这个偏移量，在还原时再减回去。盲目取绝对值会把负号的真实信息丢掉，相当于把衣服左右两片缝反了。

为何常见：因为负值在金融收益、温度偏差等序列里很常见，新手看到“稳定方差”这个目标就忽略了对数变换的定义域，误以为取绝对值是无害的预处理。

误区我画了一条序列的折线图，肉眼看着它围绕零波动，挺“平稳”的，就没有做 ADF 检验，直接拿去做 ARIMA。

正解眼睛会骗人。一条缓慢漂移的序列在短窗口内可能看起来像平稳，但它的均值其实在缓慢滑动；反过来，方差忽大忽小的序列在局部也可能“看起来稳定”。ADF 检验、ACF 的拖尾速度和信息准则才是客观的尺子。布料是厚是薄，不能只靠瞄一眼，得用卡尺量。

为何常见：因为视觉判断是最省力的直觉路径，尤其当序列波动较乱时，人脑会自动脑补出“稳定”的规律，忽略了统计检验能发现的细微不平稳。

误区我在平稳化后的序列上训练模型，得到未来 30 天的预测值，想都没想就直接写进周报，说销售额下月会在多少到多少之间。

正解平稳域的数字和原始量纲不是一回事。你必须在预测完成后，按预处理的相反顺序做还原：先逆 Box-Cox，再逆季节差分，最后逆一阶差分，才能得到百万、千万量级的真实销售额。忘了还原的预测值，就像把熨平后的布片直接当衬衫发给客户。

为何常见：因为预处理时很容易把数据“转来转去”，却忘记给每一步都准备对应的逆向函数，等预测完成时，只记得模型输出的是数字，忘了这个数字的坐标系早已被多次变换。

误区我觉得 Box-Cox 这么厉害，干脆跳过差分，只对原始序列做一次变换，应该就能让数据平稳了吧？

正解Box-Cox 只负责稳定方差，它管不了趋势和季节性的“形状”。一个带明显上升趋势的序列，无论怎么取对数，趋势依旧在；一个季节性很强的序列，λ 也消不掉周期折痕。差分管形状（趋势和周期），Box-Cox 管厚度（方差），两者是分工合作的关系，不是替代关系。

为何常见：因为新手把 Box-Cox 当成一个全能的“数据整形器”，没有理解它只是幂变换族，只能标度数据幅度，而无法改变数据的位置和周期结构。

面试题

Q1. 一阶差分的主要作用是？

单选题 · easy

  • A.去掉线性趋势← 正确答案
  • B.去掉季节周期
  • C.稳定整体方差
  • D.增加样本容量

答案：A。一阶差分把相邻两点相减，线性趋势项在减法中被消掉了，因此它的直接作用是去掉线性趋势。季节周期需要季节差分处理，方差稳定靠 Box-Cox，样本量则只会减少不会增加。

Q2. 季节差分中，x_t 应当减去？

单选题 · easy

  • A.x_{t-1}
  • B.x_{t+1}
  • C.x_{t-S}← 正确答案
  • D.x_{t+S}

答案：C。季节差分的核心是与“上一个周期同一位置”的值相减，对月度周期 S=12 就是减去 x_{t-12}。选项 A 是一阶差分，选项 B 和 D 用了未来值，不符合差分的方向性。

Q3. Box-Cox变换中 λ=0 对应的是？

单选题 · mid

  • A.平方根变换
  • B.对数变换← 正确答案
  • C.指数变换
  • D.恒等变换

答案：B。Box-Cox 在 λ=0 时退化为自然对数变换，这是由公式在 λ→0 时的极限决定的。λ=0.5 接近平方根，λ=1 是恒等变换，指数变换不属于 Box-Cox 家族。

Q4. 弱平稳序列必须满足？

多选题 · mid

  • A.均值恒定不变← 正确答案
  • B.方差恒定不变← 正确答案
  • C.协方差只看滞后← 正确答案
  • D.数据必须为正整数

答案：ABC。弱平稳要求均值恒定、方差恒定、自协方差只依赖于时间间隔，这三条保证了序列的统计结构随时间稳定。数据是否为正整数不是平稳性的必要条件，Box-Cox 才要求数据为正。

Q5. 过度差分的直接后果是？

单选题 · mid

  • A.方差膨胀变大← 正确答案
  • B.样本量无限增加
  • C.模型速度变快
  • D.预测精度提高

答案：A。过度差分会把白噪声也差分一次，独立噪声的方差相加，导致方差膨胀。样本量只会减少，模型速度不会变快，预测精度通常下降而非提高，因此答案只有 A。

Q6. 确定差分阶数常用的工具是？

多选题 · hard

  • A.ADF单位根检验← 正确答案
  • B.自相关ACF拖尾← 正确答案
  • C.信息准则判断← 正确答案
  • D.直接肉眼观察

答案：ABC。ADF 检验提供统计显著性判断，ACF 拖尾速度说明序列是否还有长期记忆，AIC/BIC 等信息准则从模型复杂度角度兜底。肉眼观察主观性强，不能作为判断差分阶数的可靠工具。

Q7. 做Box-Cox变换的前提是？

单选题 · mid

  • A.数据必须为正← 正确答案
  • B.数据必须为负
  • C.数据必须为整数
  • D.数据必须是复数

答案：A。Box-Cox 包含对数和幂运算，负数和零不在定义域内。实际工作中若数据有负值，会先整体平移成正数并记录偏移量，但“平移后为正”仍然以原始数据为正数作为前提条件。

Q8. 平稳化后的预测还原需要？

多选题 · hard

  • A.逆Box-Cox变换← 正确答案
  • B.逆差分累加还原← 正确答案
  • C.逆季节差分还原← 正确答案
  • D.直接丢弃噪声项

答案：ABC。还原要按预处理的相反顺序进行：逆 Box-Cox 把变换域拉回季节差分后的尺度，逆季节差分按周期回填，逆一阶差分逐项累加。丢弃噪声项会丢掉还原必需的信息，导致预测无法回到原始量纲。

Q9. ARIMA(p,d,q)中的 d 表示？

单选题 · easy

  • A.差分运算阶数← 正确答案
  • B.自回归项个数
  • C.滑动平均项个数
  • D.季节周期长度

答案：A。在 ARIMA(p,d,q) 中，p 是自回归阶数，q 是滑动平均阶数，d 是使序列平稳所需的差分阶数，对应文章里的“熨烫次数”。

Q10. Box-Cox能稳定方差的原因？

多选题 · hard

  • A.幂变换改变数据尺度← 正确答案
  • B.对数让乘法变加法← 正确答案
  • C.压缩大值放大差值← 正确答案
  • D.自动删除全部离群点

答案：ABC。幂变换将不同数量级的数据重新标度，对数变换把乘法关系变成加法关系，从而压缩大值、拉伸小值，让方差趋于一致。Box-Cox 不会删除任何数据点，它只是重新映射数值，离群点需要单独处理。