2. 时间序列视角：平稳性 vs 非平稳性，单位根的概念
好，咱们进入第二个核心话题。上一章我聊了永久冲击和临时冲击的直观区别，那在时间序列分析里，怎么用数学语言把它们区分开？
答案就藏在「平稳性」和「非平稳性」这对概念里。说白了，一个时间序列是不是平稳，决定了你能不能拿传统统计工具去分析它。我在项目里见过太多人，拿到数据就咔咔跑回归，结果全是伪回归——嗯，那场面挺尴尬的。
2.1 什么是平稳性？
平稳性，简单讲就是：时间序列的统计性质不随时间变化。
具体来说，一个序列如果是平稳的，它得满足三个条件：
- 均值恒定：不管取哪一段，均值都差不多
- 方差恒定：波动幅度不会越变越大或越变越小
- 协方差只与时间间隔有关：两点的相关性只取决于它们隔多远，不取决于具体在哪个时间点
你想想看，如果一个序列的均值在飘、方差在变，那你怎么用历史数据去预测未来？没法预测。这就是为什么平稳性那么重要。
核心要点：平稳序列的冲击是「临时」的，它会慢慢回到均值。非平稳序列的冲击是「永久」的，它会一去不复返。
2.2 非平稳性与单位根
那非平稳性呢？最常见的非平稳形式就是——随机游走。
咱们写个简单模型：
Y_t = Y_{t-1} + ε_t这个模型里，今天的值等于昨天的值加上一个随机冲击。如果今天有个冲击 ε_t，它会永远留在序列里，因为明天的 Y_{t+1} 会带着它继续往下走。
这就是永久冲击的数学表达。
那「单位根」是什么？咱们把上面的模型改写一下：
Y_t = ρ * Y_{t-1} + ε_t如果 ρ = 1，就是单位根过程。如果 |ρ| < 1，就是平稳过程。如果 ρ > 1，那就是爆炸性过程——现实中很少见。
我的经验：我在做宏观经济预测时，经常遇到GDP、CPI这些序列。你拿眼睛一看，它们明显在往上走，肯定不是平稳的。但很多人直接拿去做回归，结果R²高得吓人，其实全是假的。我曾经就踩过这个坑，后来学乖了，先做单位根检验。
2.3 单位根检验：ADF检验
怎么判断一个序列有没有单位根？最常用的方法是ADF检验（Augmented Dickey-Fuller Test）。
它的逻辑很简单：
- 原假设 H₀：序列存在单位根（非平稳）
- 备择假设 H₁：序列是平稳的
如果p值小于0.05，就拒绝原假设，认为序列平稳。否则，就是不平稳。
咱们看个代码示例：
# Python 示例：ADF检验
from statsmodels.tsa.stattools import adfuller
import numpy as np
# 生成一个随机游走序列（非平稳）
np.random.seed(42)
n = 100
y = np.cumsum(np.random.randn(n))
# 进行ADF检验
result = adfuller(y)
print(f'ADF统计量: {result[0]:.4f}')
print(f'p值: {result[1]:.4f}')
# 如果p值 > 0.05，不能拒绝原假设，序列非平稳
if result[1] > 0.05:
print('结论：序列存在单位根，非平稳')
else:
print('结论：序列平稳')
输出结果一般会告诉你：p值很大，比如0.5以上，那就说明这个随机游走确实是非平稳的。
注意：ADF检验对滞后阶数的选择比较敏感。我建议你用AIC或BIC自动选滞后阶数，别用手动指定。我曾经就因为这个吃过亏，选少了滞后阶数，结果把非平稳的序列误判成平稳的。
2.4 平稳性、非平稳性与冲击类型的关系
咱们把这两章的内容串起来，画个图就清楚了：
这个图把逻辑理得很顺：临时冲击对应平稳序列，永久冲击对应非平稳序列。非平稳序列的核心特征就是存在单位根，ρ=1。
2.5 实际应用中的注意事项
在实际分析中，我建议你记住几点：
- 先检验，后建模：拿到时间序列数据，第一件事就是做单位根检验。别偷懒。
- 差分可以消除单位根：如果序列非平稳，通常一阶差分后就平稳了。差分后的序列代表「变化量」而不是「水平值」。
- 不要过度差分：差分一次就够了，差分太多次会丢失信息。我曾经见过有人差分三次，结果数据变成白噪声了，啥也分析不出来。
- 结构突变要小心：如果序列在某个时间点发生了结构性变化（比如政策调整、金融危机），传统的ADF检验可能失效。这时候要用带结构突变的单位根检验。
避坑指南：我曾经在分析某国GDP数据时，ADF检验显示序列平稳，但直觉告诉我GDP应该是非平稳的。后来发现，是因为样本期太短（只有10年），检验功效不足。所以，样本量太小的时候，单位根检验的结果要谨慎解读。
好了，这一章的核心就这些。记住：平稳性 = 临时冲击，非平稳性 = 永久冲击，单位根就是那个分水岭。
公众号:蓝海资料掘金营，微信deep3321