想象你要给一台精密的仪器做手术，术前的第一件事是什么？是量血压、测心率，确认各项指标稳定。如果仪器本身“带病、不稳定”，任何手术方案都是纸上谈兵。时间序列建模也是这个道理——你想用 ARIMA 等模型去预测股价、销量、服务器流量，第一关就是要判断这个序列“稳不稳定”。统计上把这种稳定叫做“平稳”：均值不飘、波动幅度不涨、过去与未来的关系不随日历翻页而改变。 那怎么判断呢？统计学家发明了三台“体检仪器”：ADF 检验像血压计，先假设你血管里有“病根”（单位根），再找证据反驳；PP 检验是它的升级版，遇到血管硬化（自相关和异方差）也照样测得准；KPSS 检验则像血糖仪，反过来先假设你健康（平稳），再找证据反驳。三台仪器一起上，再加上 p 值这条“化验单参考线”，你就能给任何时间序列开出一份可靠的体检报告。这篇文章，就把这三台仪器的原理、用法和报告解读一次讲明白。

岗位关联

学透平稳性检验，你才算真正拿到时序建模的“入场券”——无论是做金融风控、销量预测还是运维监控，建任何时序模型前先跑一遍三大检验，是 AI 从业者绕不开的专业基本功。

目录
  1. 可视化演示
  2. 平稳性基础
  3. 单位根概念
  4. ADF检验
  5. PP检验
  6. KPSS检验
  7. p值解读
  8. 检验策略
  9. 不平稳应对
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

动态演示时序平稳吗？三大检验告诉你的核心机制，通过输入/处理/存储/输出四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

时序平稳吗？三大检验告诉你：时序平稳 时序平稳性的概念与建模前提 ADF检验：单位根原假设与差分 核心机制可视化 时序平稳吗？三大检验告诉你整体架构与关键组件

平稳性基础

体检时，医生总是让你先安静坐五分钟，再量血压、测心率。为什么？因为只有指标稳定在一个区间，医生的判断才有意义。时间序列建模也一样——你想用 ARIMA 去预测，前提是这段数据的“身体状态”稳定，统计上叫“平稳”。如果均值一路飙升、波动忽大忽小，模型算出来的参数就像对着漏斗做衣服，永远不合身。

数学上，平稳性有两条路。第一路叫“严平稳”，它要求无论把时间轴平移多少，序列的概率分布都保持不变。这就像要求一个人每时每刻的心率、体温、血压分布一模一样，现实数据几乎不可能满足。第二路叫“宽平稳”，也叫弱平稳，它只检查三个关键指标：均值是否固定、方差是否固定、任意两个时刻的相关性是否只由时间间隔决定。实际建模时默认说的“平稳”就是宽平稳。

把宽平稳的三个条件写成公式：

回到体检的比喻：均值是“参考线”，方差稳定是“血压不失控”，协方差稳定是“各器官协同模式不变”。三项都通过，你的序列才有资格上 ARIMA 这张“手术台”。而这三大指标，正是后面三大检验要替你把关的“体检项目”。

E(yt)=μ,Var(yt)=σ2,Cov(yt,yt−k)=γk\mathrm{E}(y_t)=\mu,\qquad \mathrm{Var}(y_t)=\sigma^2,\qquad \mathrm{Cov}(y_t,y_{t-k})=\gamma_k
这个公式的意思是：序列的平均水平固定为 μ，波动幅度固定为 σ²，相隔 k 期的两个观测之间的协方差永远是同一个 γ_k，与具体时间点无关。这三条就是体检报告上的“参考范围”。
  1. 均值恒常不管在第 1 期还是第 1000 期看，序列的平均水平都钉在 μ 这个点上，不会随时间的推移整体上移或下移。
    E(yt)=μ\mathrm{E}(y_t)=\mu
  2. 方差恒常序列的波动幅度始终是 σ² 这个尺度，不会出现“前面风平浪静、后面惊涛骇浪”的情况。
    Var(yt)=σ2\mathrm{Var}(y_t)=\sigma^2
  3. 协方差只依赖间隔任意两个时刻的联动关系只与它们隔了多少期（k）有关，与具体是哪两个时点无关，说明“过去影响现在”的模式稳定。
    Cov(yt,yt−k)=γk\mathrm{Cov}(y_t,y_{t-k})=\gamma_k

单位根概念

体检报告里有一种可怕的字眼叫“慢性病根子”：它一旦扎根，今天的伤口不会自己愈合，会一直被身体背着走。时间序列里也有这样的病根，名字叫“单位根”。最典型的病例是随机游走：今天的股价等于昨天的股价加上一个随机扰动，看起来每一步都很温和，但累积起来却越走越远，永远回不到原点附近。

把随机游走写成模型，就是：

单位根之所以叫“单位根”，是因为特征方程里有一个恰好等于 1 的根（1 在数学里也叫“单位元”）。它就像一个埋在血管里的慢性病根：平时不疼，但会让所有基于均值回归的模型集体失灵。接下来出场的三大检验，目标就是专门排查这颗病根。

yt=ρyt−1+εt,ρ=1 (存在单位根)y_t = \rho y_{t-1} + \varepsilon_t,\qquad \rho=1 \ (\text{存在单位根})
这个模型说：今天的值 = 昨天的值 × ρ + 随机扰动。当 ρ 恰好等于 1，扰动的影响会原封不动地累积下来，序列就是随机游走，属于最典型的非平稳序列。
  1. 一阶自回归形式把今天的观测 y_t 看成昨天的 y_{t-1} 的某个比例再加上随机扰动 ε_t，一步只看一个“脚印”。
    yt=ρyt−1+εty_t = \rho y_{t-1} + \varepsilon_t
  2. 系数 ρ 的三种身世|ρ|<1 时扰动被逐步遗忘，序列最终回到均值附近——这叫平稳；ρ=1 时扰动被完整记住，一路累积——这是“病根”；|ρ|>1 时序列爆炸，现实中很少见。
    ∣ρ∣<1 平稳;ρ=1 单位根;∣ρ∣>1 爆炸|\rho|<1 \ \text{平稳};\qquad \rho=1 \ \text{单位根};\qquad |\rho|>1 \ \text{爆炸}
  3. ρ=1 的连锁反应方差会随时间线性增长，均值失去意义，“过去影响现在”的记忆永不消退——这就是随机游走一步一个脚印却越走越远的数学原因。
    Var(yt)=tσ2\mathrm{Var}(y_t)=t\sigma^2

ADF检验

量血压前，医生会先给你套上袖带。ADF 检验就像这台血压计，而且它的测量逻辑是“有罪推定”：先假设你血管里埋着单位根这颗病根，再测量数据，看看有没有足够强的证据推翻这个假设。原假设 H0 就是“序列有单位根、不平稳”，如果证据足够有力（p 值小），就宣判“平稳”。

ADF 的全称是 Augmented Dickey-Fuller（增广迪基-富勒检验），它在一代目 DF 检验的基础上，在回归方程里加了一串“滞后差分项”，专门用来清理序列中的自相关，让检验结果更可信。核心回归方程是：

用体检比喻收个尾：ADF 这台血压计测的是“γ 的 t 统计量”这个读数。读数足够异常（p<0.05），说明袖带下的血管没有病根，序列可以进入建模流程。读数正常（p 很大），也别急着绝望——后面还有 PP 和 KPSS 两位大夫等着会诊。

Δyt=α+βt+γyt−1+∑i=1pδiΔyt−i+εt\Delta y_t = \alpha + \beta t + \gamma y_{t-1} + \sum_{i=1}^{p} \delta_i \Delta y_{t-i} + \varepsilon_t
方程左边是相邻两期的变化量；右边除了漂移项和趋势项，最关键的是 γy_{t-1}——γ=0 就等价于 ρ=1，说明单位根这颗“病根”存在。检验实际看的就是 γ 的 t 统计量够不够“极端”。
  1. 左边 Δy_t把“这一期比上一期多了多少”当作被解释对象，相当于在测“变化的速度”。
    Δyt=yt−yt−1\Delta y_t = y_t - y_{t-1}
  2. α（漂移项）表示序列长期平均的步调，就像一个人正常走路时稳定的脚步频率。
    α\alpha
  3. βt（确定性趋势项）时间每前进一期，序列整体移动 β，用来吸收“长期上涨/下跌”这种肉眼可见的趋势。
    βt\beta t
  4. γy_{t-1}（核心诊断项）检验的靶心。γ=0 与 ρ=1 等价，统计量越负，越说明数据不像是带病根的序列。
    γyt−1=(ρ−1) yt−1\gamma y_{t-1} = (\rho-1)\,y_{t-1}
  5. 滞后差分求和项把过去 p 期的变化量加进来，像“空气净化器”一样滤掉自相关噪声，保证残差是干净的白噪声。
    ∑i=1pδiΔyt−i\sum_{i=1}^{p} \delta_i \Delta y_{t-i}
  6. ε_t（白噪声残差）做完一切过滤后剩下的纯随机扰动，是检验统计量成立的地基。
    εt∼WN(0,σ2)\varepsilon_t \sim WN(0,\sigma^2)

PP检验

有些病人血管硬化，普通血压计袖带压上去读数会抖。时间序列里也有类似的“血管硬化”——自相关很强、波动忽大忽小（异方差）。这时候，ADF 那套“滞后差分项目清器”如果阶数选不好，读数就不太靠谱。PP 检验（Phillips-Perron）就是升级版血压计：袖带加了“防抖垫”，不需要你逐期清理自相关，而是用非参数的方法直接把自相关和异方差“折算”进读数的方差修正里。

PP 检验的统计量，是把原始 DF 的 t 统计量乘上一个修正系数：

PP 这台升级版血压计的妙处是：你不需要纠结“滞后阶数 p 到底选几”。它用非参数修正把自相关与异方差一次性收拾干净。所以在金融数据这种“血管粗、噪声大”的场景里，PP 经常和 ADF 搭配使用，互为替补。

tPP=tγω^2γ^2,ω^2=γ^2+2∑j=1q(1−jq+1)λ^jt_{PP}=t_\gamma\sqrt{\frac{\hat{\omega}^2}{\hat{\gamma}^2}},\qquad\hat{\omega}^2=\hat{\gamma}^2+2\sum_{j=1}^{q}\left(1-\frac{j}{q+1}\right)\hat{\lambda}_j
第一行是“升级后的读数”，等于原始读数乘以长期方差与短期方差之比的平方根；第二行告诉你怎么估计长期方差——把各阶自相关协方差用带权重的 Newey-West 公式加起来。
  1. tγ（原始读数）DF 回归里 γ 的 t 统计量，也就是普通血压计的读数。
    tγ=γ^se(γ^)t_\gamma = \frac{\hat{\gamma}}{\mathrm{se}(\hat{\gamma})}
  2. 修正系数读数的“防抖缩放”，长期方差越大、短期方差越小，修正越明显。
    ω^2γ^2\sqrt{\frac{\hat{\omega}^2}{\hat{\gamma}^2}}
  3. 长期方差估计 ω̂²在短期方差 γ̂² 基础上，把各阶自协方差 λ̂_j 加权累加，权重形状是 Bartlett 核函数。
    ω^2=γ^2+2∑j=1q(1−jq+1)λ^j\hat{\omega}^2=\hat{\gamma}^2+2\sum_{j=1}^{q}\left(1-\frac{j}{q+1}\right)\hat{\lambda}_j
  4. 权重 (1 - j/(q+1))离当下越远的自相关协方差，权重越小——久远的记忆对长期方差贡献递减，符合直觉。
    wj=1−jq+1w_j = 1-\frac{j}{q+1}

KPSS检验

前面两台血压计的思维都是“有罪推定”。但凡是体检，总得有个“无罪推定”的检查吧？KPSS 检验就是那台血糖仪：先假设你身体健康（原假设：序列平稳），只有当血糖值高到离谱（统计量超大、p 值很小），才认定你有问题。它的名字来自四位统计学家 Kwiatkowski、Phillips、Schmidt 和 Shin 的姓氏首字母。

KPSS 的步骤是：先把序列对常数（或常数+趋势）做回归，把“趋势”这个因素剥掉，得到残差 e_t；然后看残差累积和 S_t 是否在 0 附近老实待着。如果累积和一路狂奔，说明“平稳”这个假设遭到重击。

KPSS 和 ADF 就像一对“欢喜冤家”：一个假设平稳、一个假设不平稳。结论一致时你信心翻倍；结论打架时，恰恰暴露了序列的复杂真相（比如存在确定性趋势或结构突变）。聪明的数据分析师，从来不会只带一台仪器去体检。

St=∑i=1tei,LM=∑t=1TSt2σ^2T2S_t=\sum_{i=1}^{t} e_i,\qquad \text{LM}=\frac{\sum_{t=1}^{T} S_t^2}{\hat{\sigma}^2 T^2}
S_t 是残差从第 1 期到第 t 期的累计总和；LM 统计量把它平方后求和，再除以方差估计和样本量平方做标准化。LM 越大，越不支持“平稳”。
  1. 残差 e_i把趋势从序列里剥掉后剩下的部分——如果序列本身是趋势平稳的，残差应该像白噪声一样干净。
    ei=yi−α^−β^ie_i = y_i - \hat{\alpha} - \hat{\beta} i
  2. 残差累积和 S_t把小残差一点点加起来。平稳序列的残差有正有负、快速抵消，S_t 只会在 0 附近小幅摆动。
    St=∑i=1teiS_t=\sum_{i=1}^{t} e_i
  3. 分子 ΣS_t²把所有累积和的平方加总，累积偏航越厉害，分子越大。
    ∑t=1TSt2\sum_{t=1}^{T} S_t^2
  4. 分母 σ̂²T²用残差方差 σ̂² 和样本量 T 的平方做标准化，让不同长度、不同尺度的序列可以互相比较。
    σ^2T2\hat{\sigma}^2 T^2

p值解读

化验单上每个项目旁边都有一条参考线，比如空腹血糖参考上限 6.1 mmol/L，超过它才叫“异常”。统计学里的“参考线”就是显著性水平 α，通常取 0.05。p 值则是“你的指标偏离参考线的剧烈程度”的度量：p 越小，数据越反常，越有底气把“正常”这个假设撕掉。

p 值的严谨定义是：在原假设 H0 成立的前提下，观察到当前统计量这么极端甚至更极端的概率。写成公式：

回到化验单：p 值从来不说“病根存在的概率是 80%”，它只说“如果没病，这份单子有多像中彩票”。理解了这条参考线，再看三大检验输出的三行数字，你就知道哪一行该红、哪一行该绿。

p=P ⁣(T≥tobs∣H0)p = P\!\left(T \ge t_{\text{obs}} \mid H_0\right)
翻译成体检语言：如果健康人群体检指标的正常范围是这条曲线，你的读数落在“罕见区”的概率是 p。p < 0.05，说明在“健康”假设下出这种事概率不到 5%，我们更有理由说“指标异常”（在 ADF 语境里，就是“序列平稳”）。
  1. 条件概率 P(A|H0)意思是“在 H0 这个假设的世界里，事件 A 发生的概率”。注意 H0 在这个概率计算里是被当作背景的假设，不代表 H0 真的为真。
    P(A∣H0)P(A \mid H_0)
  2. 事件 T ≥ t_obs统计量比本次观测值还要极端的方向。ADF 里 t 统计量越负越极端，所以这个方向是“更负”。
    T≥tobsT \ge t_{\text{obs}}
  3. 比较规则p < α（通常 α=0.05）→ 数据足够反常，拒绝 H0；p ≥ α → 数据还与 H0“过得下去”，不能拒绝。
    p<0.05⇒拒绝H0p < 0.05 \Rightarrow \text{拒绝} H_0

检验策略

体检科大夫从来不会单凭一台仪器开刀。成熟的流程是：先上血压计（ADF），再上血糖仪（KPSS），必要时加测升级版血压计（PP），把几份报告摆在一起会诊。因为 ADF/PP 是“有病推定”，KPSS 是“无病推定”，两者镜像互补，组合使用能大幅降低误诊风险。

组合判断可以浓缩成一张决策表：

在实际建模流水线里，这一步通常封装成一个函数：输入原始序列，输出“平稳 / 非平稳 / 需诊断”的一句话报告。它会自动决定要不要走差分这一步，避免人为主观误判。

结论={平稳ADF: p<0.05 且 KPSS: p≥0.05非平稳ADF: p≥0.05 且 KPSS: p<0.05进一步诊断其余情形\text{结论} = \begin{cases} \text{平稳} & \text{ADF: } p<0.05\ \text{且}\ \text{KPSS: } p\ge0.05 \\ \text{非平稳} & \text{ADF: } p\ge0.05\ \text{且}\ \text{KPSS: } p<0.05 \\ \text{进一步诊断} & \text{其余情形} \end{cases}
这张表告诉你：两套仪器“证词一致”时直接采纳；不一致时别慌，这是序列在暗示它的结构比“简单平稳/不平稳”更复杂。
  1. 第一分支（双证平稳）ADF 拒绝了“有单位根”，KPSS 没能拒绝“平稳”，两份报告相互印证，可以放心建模。
    ADF: p<0.05 且 KPSS: p≥0.05⇒平稳\text{ADF: } p<0.05 \ \text{且}\ \text{KPSS: } p\ge0.05 \Rightarrow \text{平稳}
  2. 第二分支（双证非平稳）ADF 没能拒绝“有单位根”，KPSS 却拒绝了“平稳”，两份报告都指向非平稳，先处理再建模。
    ADF: p≥0.05 且 KPSS: p<0.05⇒非平稳\text{ADF: } p\ge0.05 \ \text{且}\ \text{KPSS: } p<0.05 \Rightarrow \text{非平稳}
  3. 第三分支（证词冲突）两检方向不明或同向拒绝，通常提示存在确定性趋势、结构突变，或样本太短导致功效不足，需要画图、去趋势或差分后复查。
    其余组合⇒画图、去趋势、差分后复检\text{其余组合} \Rightarrow \text{画图、去趋势、差分后复检}

不平稳应对

如果会诊结论是“非平稳”，相当于体检亮红灯，不能直接上手术台（建模）。怎么办？医生会开三张经典处方：处理单位根用“差分”、稳定波动幅度用“对数变换”、对付外来趋势用“去趋势”。三者可以单独用，也可以配合用。

差分是最常用的武器：把相邻两期的差当作新序列。对随机游走做一次差分，积攒下来的“病根记忆”当场清零，新序列变成白噪声。一阶差分和二阶差分的定义是：

要注意：差分不是越多次越好。差分的目的是“刚好达到平稳”，过度差分会把真实信号也抹掉，就像吃药过量会伤身。每次差分之后，一定要把三大检验再跑一遍——这就是“复查”。

Δyt=yt−yt−1,Δ2yt=Δyt−Δyt−1\Delta y_t = y_t - y_{t-1},\qquad \Delta^2 y_t = \Delta y_t - \Delta y_{t-1}
一阶差分：本期减上期，抹掉随机游走的记忆；二阶差分：再做一次差分，处理“斜率本身也在变”的情况（比如随机游走带漂移）。
  1. 一阶差分 Δy_t用本期减上期，单位根从 ρ=1 变成 ρ=0，序列瞬间“降维”，随机游走被治成本质上接近白噪声，这是最经典的处方。
    Δyt=yt−yt−1\Delta y_t = y_t - y_{t-1}
  2. 二阶差分 Δ²y_t对差分序列再差分，适合处理“变化的速度还在变化”的序列，比如曲率很明显的趋势。
    Δ2yt=(yt−yt−1)−(yt−1−yt−2)\Delta^2 y_t = (y_t - y_{t-1}) - (y_{t-1} - y_{t-2})
  3. 对数变换辅助 ln(y_t)把乘法型的波动变成加法型，专治“方差随水平放大”的序列，比如销量和物价指数。
    ln⁡yt 后再差分（对数收益率）\ln y_t \ \text{后再差分（对数收益率）}

AI 应用场景

场景一：量化交易的“盘前体检”

阶段：数据预处理与特征工程

解决的问题：量化研究员常把股票收盘价直接塞进模型做价格预测，但价格序列几乎都有单位根，两个互不相关的股票价格也能算出虚假的高相关（伪回归）。用 ADF + KPSS 组合检验先给每只股票的收益率序列“体检”，确认平稳后再进模型，是正规流水线的基本盘。

具体案例：某私募量化团队每天收盘后对全市场 300 只股票跑三大检验，把未通过检验的个股自动标记，下一根 K 线改用收益率序列或差分序列。改造后，原本“回测很赚钱、实盘很亏钱”的配对交易策略，净值曲线的相关性分析终于靠谱了。

场景二：电商大促前的“销量体检套餐”

阶段：时序建模（ARIMA 训练前检查）

解决的问题：电商销量序列带着明显的季节性和大促脉冲，直接对原序列做 ARIMA 会得到“伪拟合”——模型把趋势当规律，预测永远滞后。分析师先用 KPSS 确认“趋势平稳”的成分，再对非平稳分量做差分和对数变换，让模型只学习真正可泛化的模式。

具体案例：某美妆品牌 618 备货前，数据分析师对 730 天日销序列跑 ADF 与 KPSS，发现原序列不平稳但一阶差分后平稳，于是用 SARIMA 建模，把滞销库存减少了约 18%，爆款断货天数从 5 天降到 1 天。

场景三：云平台的“服务器指标监护”

阶段：异常检测前的信号预处理

解决的问题：运维团队用 CPU 使用率序列做异常检测，但负载会随业务波峰漂移，直接设固定阈值会误报不断。先把序列做平稳性检验：平稳段用统计控制图，非平稳段先差分再去抖，异常检测的误报率大幅下降。

具体案例：某在线教育平台大促期间，监控系统对每个实例的 CPU 序列自动做 KPSS 检验，识别出“漂移型”实例后在差分域做 3-sigma 告警，误报率降低约 60%。

Python 演示

python39 行
import warningsimport numpy as npfrom statsmodels.tsa.stattools import adfuller, kpss warnings.filterwarnings("ignore")np.random.seed(42)n = 300eps = np.random.normal(0, 1, n) # 平稳序列：AR(1)，系数 0.5y_stable = np.zeros(n)for t in range(1, n):    y_stable[t] = 0.5 * y_stable[t - 1] + eps[t] # 非平稳序列：随机游走y_unit_root = np.cumsum(eps)  def judge(adf_p, kpss_p, alpha=0.05):    adf_ok = adf_p < alpha    kpss_ok = kpss_p >= alpha    if adf_ok and kpss_ok:        return "平稳，可以直接进入 ARIMA 建模"    if (not adf_ok) and (not kpss_ok):        return "不平稳，建议先做差分或对数变换再复检"    return "结果矛盾，建议观察序列图并结合业务判断"  def exam(name, series):    adf_stat, adf_p = adfuller(series, autolag="AIC")[:2]    kpss_stat, kpss_p = kpss(series, regression="c", nlags="auto")[:2]    print(f"===== {name} =====")    print(f"ADF  : stat={adf_stat:.4f}, p={adf_p:.4f}")    print(f"KPSS : stat={kpss_stat:.4f}, p={kpss_p:.4f}")    print("结论:", judge(adf_p, kpss_p), "\n")  exam("平稳 AR(1)", y_stable)exam("随机游走", y_unit_root)
目的：用 statsmodels 对一段平稳 AR(1) 和一段随机游走分别做 ADF + KPSS 组合检验，验证“三大体检”在实际数据上的判定逻辑。
  1. y_unit_root = np.cumsum(eps)对标准正态扰动逐期累加，一步生成带单位根的随机游走序列。
  2. adfuller(series, autolag="AIC")[:2]调用 ADF 检验，autolag="AIC" 会自动选滞后阶数，返回前两个值：统计量和 p 值。
  3. kpss(series, regression="c", nlags="auto")[:2]调用 KPSS 检验，regression=“c“ 表示只含常数项的”水平平稳”版本。
  4. adf_ok = adf_p < alphaADF 的 p 值越小越有底气拒绝“有单位根”，所以用“小于”判断平稳。
  5. kpss_ok = kpss_p >= alphaKPSS 的 p 值越大越不能拒绝“平稳”，所以用“大于等于”判断平稳。

常见误区

误区我跑完 ADF 看到 p 值为 0.31，大于 0.05，说明序列是平稳的，可以放心建模了。

正解方向搞反了！ADF 的原假设是“有单位根、不平稳”，p 值大说明“没有足够证据推翻不平稳假设”，也就是“不能排除不平稳”。这就像血压计没有报异常，不代表身体一定健康，只是这台仪器没找到病根。正确姿势是同时看 KPSS：如果 KPSS 的 p 值也不小，才叫“两个方向都过不去”；更严谨的做法是用 ADF 与 KPSS 组合判断，而不是单看一个 p 值。

为何常见：很多人把“p 值小 = 显著 = 有差异”的通用记忆直接套过来，却忽略了不同检验的原假设方向完全不同，尤其容易把 ADF 的“拒绝”和“接受”搞反。

误区ADF 说平稳，KPSS 说不平稳，这两台“仪器”打架了，一定是我代码参数没设对。

正解这其实是三类“边缘情况”的正常信号：序列可能包含确定性趋势（趋势平稳）、结构突变、周期成分，也可能是样本太短导致检验功效不足。处理方式是先画序列图看趋势，再做差分或去趋势后复检，而不是怀疑软件 bug。就像两份体检报告数据源不同，医生会先复查而不是直接改病历。

为何常见：小白期待检验结果是“非黑即白”，但统计检验的结论永远带着概率语气，两种检验的角度本来就不同，冲突恰恰是信息量所在。

误区ADF 没通过就一阶差分，还不过就二阶差分，直到 p 值足够小为止，反正差分总能“搞定”。

正解差分是“破坏性清理”：过度差分会把平稳序列的真实信号也抹掉，导致模型拟合优度反而下降，还引入了本不需要的移动平均阶数。正确做法是先判断不平稳的来源：确定性趋势用去趋势/回归，方差随水平放大用对数变换，只有单位根（随机游走型）才需要差分。差分后要做 KPSS 等复查，确认“恰到好处”而非“矫枉过正”。

为何常见：网上教程常把“差分”当作万金油，初学者照抄流程，不知道差分每一步都在消耗数据中的信息量。

误区折线图绕着一根水平线小幅波动，看起来挺平稳，没必要跑检验。

正解肉眼只能感知趋势和大尺度漂移，对“方差随时间缓慢增大”这类问题不敏感；而且视觉系统会自动缩放坐标轴来“迁就”数据，掩盖真实问题。正确的姿势：用三大检验给出定量结论，把直觉转化为可复现的证据，尤其在自动化管道里，必须用代码完成判断，而不是带着个人偏见。

为何常见：可视化判断非常自然，但人眼对尺度和坐标轴的感知是可以被欺骗的，统计检验本质上是“固定尺度的眼睛”。

面试题

Q1. ADF 检验的原假设是什么？

单选题 · easy

  • A.序列是平稳的
  • B.序列存在单位根（不平稳）← 正确答案
  • C.序列存在确定性趋势
  • D.序列是白噪声

答案：B。ADF 采用“有罪推定”逻辑，原假设是“有单位根、不平稳”，所以 p 值小才能拒绝 H0 支持平稳。B 正确。A 是 KPSS 的原假设方向，C 和 D 与 ADF 的假设体系不符。

Q2. KPSS 检验的原假设是什么？

单选题 · easy

  • A.序列有单位根
  • B.序列存在趋势
  • C.序列平稳（或趋势平稳）← 正确答案
  • D.序列方差无限

答案：C。KPSS 是“无罪推定”，默认假设序列平稳，所以判断规则与 ADF 相反：p 值大（不拒绝）才让人放心。B 的“存在趋势”不严谨——KPSS 有两种回归设定，其中“趋势平稳”版本的原假设是去趋势后平稳。

Q3. 对某个序列做 ADF 检验，得到 p 值 = 0.03（显著性水平 α=0.05），正确结论是？

单选题 · mid

  • A.接受原假设，序列不平稳
  • B.拒绝原假设，序列平稳← 正确答案
  • C.接受备择假设，序列有单位根
  • D.无法判断

答案：B。p=0.03 < 0.05，在 ADF 的“有单位根”原假设下，出现这么极端统计量的概率不足 5%，所以拒绝 H0，有证据支持序列平稳。A 把方向和 p 值都搞反了；C 的“接受备择假设”语义错误且方向相反；D 的“无法判断”是混淆了“拒绝”和“接受”的统计语气。

Q4. ADF 检验与 PP 检验最本质的区别是什么？

单选题 · mid

  • A.ADF 用非参数修正，PP 用滞后差分项
  • B.ADF 用滞后差分项处理自相关，PP 用非参数修正处理自相关和异方差← 正确答案
  • C.两者没有区别，只是名字不同
  • D.PP 的原假设是序列平稳

答案：B。ADF 靠“增广滞后差分项”来吸收自相关；PP 不添加滞后项，而是通过 Newey-West 非参数修正统计量的方差，对异方差和自相关都更稳健。B 正确，A 把两者的手段说反了，D 的原假设方向错误。

Q5. 下列哪些做法可以用来应对“不平稳”的序列？

多选题 · mid

  • A.一阶差分← 正确答案
  • B.对数变换← 正确答案
  • C.去除确定性趋势← 正确答案
  • D.直接增加训练集长度

答案：ABC。差分消除单位根，对数变换稳定随水平放大的方差，去趋势处理趋势平稳序列，三者都是处理非平稳的常用处方。D 的“增加训练集长度”不能改变序列内在的统计结构，属于无效操作。

Q6. 随机游走序列 y_t = y_{t-1} + ε_t 是否平稳？

单选题 · easy

  • A.平稳，因为每次只加一个小扰动
  • B.不平稳，因为方差随时间线性增长← 正确答案
  • C.平稳，只要 ε_t 是白噪声
  • D.无法判断

答案：B。ρ=1 时 Var(y_t)=tσ²，方差随 t 线性增大，均值参考线失去意义，所以不平稳。随机游走“越走越远”正是单位根病根的表现。A 和 C 被“每一步很小”的直觉误导，D 不成立，因为模型结构已经明确告诉我们答案。

Q7. 一个序列的 ADF 检验 p<0.05 且 KPSS 检验 p<0.05，正确的解读是？

单选题 · hard

  • A.平稳，两个检验都支持
  • B.不平稳，两个检验都反对
  • C.结果矛盾，需要进一步诊断（看图、找趋势、差分后复检）← 正确答案
  • D.先取对数再看

答案：C。ADF 拒绝了“有单位根”（倾向平稳），KPSS 拒绝了“平稳”（倾向不平稳），两份证词相反。常见原因包括确定性趋势、结构突变或样本功效不足，必须结合序列图和业务判断，不能一锤定音。C 正确，A、B 把同向和反向搞混了，D 是“盲目开药”。

Q8. 关于单位根，下列说法正确的有哪些？

多选题 · extreme

  • A.ρ=1 时，扰动的影响会永久保留← 正确答案
  • B.特征方程存在等于 1 的根，因而得名“单位根”← 正确答案
  • C.单位根序列的方差随时间线性增大← 正确答案
  • D.单位根序列经过一阶差分后仍不平稳

答案：ABC。A 是 ρ=1 的本质——冲击永不消散；B 是名称的由来；C 是随机游走方差的数学结论。D 错误，一阶差分是消除单位根的标准武器，随机游走差分后变成白噪声。

Q9. 关于 ADF 检验中滞后差分项的阶数 p，正确的说法有哪些？

多选题 · hard

  • A.通常用 AIC / BIC 信息准则选择← 正确答案
  • B.p 越大越好，一定能消除全部自相关
  • C.p 选得太小可能残留自相关，影响检验功效← 正确答案
  • D.p 选得太大浪费自由度，也会降低功效← 正确答案

答案：ACD。信息准则在拟合优度与模型复杂度之间权衡，是最常用的定阶方式。p 太小清不干净自相关，p 太大会浪费自由度并降低检验功效，因此 B“越大越好”错误，C、D 是对称的正确提醒。

Q10. 关于 p 值，下列哪些理解是错误的？

多选题 · mid

  • A.p 值是原假设为真的概率← 正确答案
  • B.p 值小于 0.05 表示效应量（差异程度）很大← 正确答案
  • C.p 值是在原假设成立时，观察到当前统计量或更极端结果的概率
  • D.p 值大于 0.05 说明原假设一定为真← 正确答案

答案：ABD。p 值不是 H0 为真的概率，A 错；p 值不能度量效应大小，B 错；p 值大只是“证据不足”，不能说 H0 一定为真，D 错。C 是 p 值的标准定义。把 p 值想象成化验单上的参考线：它衡量的是“在健康假设下这张单子有多反常”，而不是“你病得有多重”。