❶ 如何用SPSS判別時間序列是否平穩
spss的分析方法里判別分析的，那邊應該可以找到貝葉斯判別，不過，我記得我們那會做的時候，沒有明顯的「beyes」這幾個字
❷ 如何用判斷時間序列是否平穩呢
首先繪制時序圖，觀察是否存在波動和向上或向下的趨勢
然後做相關系數圖，若隨k增大，自相關系數迅速衰減則序列平穩；若隨k增大，自相關系數衰減緩慢則序列不平穩
最後進行單位根檢驗，P-值<α時，拒絕存在單位根的原假設，序列平穩。
❸ 什麼是平穩時間序列，能舉個生活中的平穩時間序列的例
「平穩時間序列」是天文學專有名詞。來自 中國天文學名詞審定委員會審定發布的天 文學專有名詞中文譯名，詞條譯名和中英 文解釋數據版權由天文學名詞委所有。
中文譯名平穩時間序列
英文原名/注釋stationarytime series ：小波消噪與時間序列分析方 法在預測領域中應用十分廣泛,但是在降 雨量的預測中應用不多。在基於小波消 噪的基礎上應用時間序列中平穩時間學 列方法對降雨量進行預測,結果顯示,應用 該方法有效地提高了降雨量的預測精 度。用丹東地區1971-2006年的降雨量作 為歷史數據,建立降雨量預測模型,結果表 明新模型演算法簡單、精度較高,比傳統的 拓撲預測模型效果更好,為降雨量預測提 供了一種行之有效的方法
❹ 非平穩時間序列可以預測股票走勢嗎
一般把非平穩時間序列轉化為平穩時間序列的方法是取n階差分法。
比如舉個例子，假設xt本身是不平穩的時間序列，如果xt～I(1) ,也就是說x的1階差分是平穩序列。
那麼 xt的1階差分dxt=x(t)-x(t-1) 就是平穩的序列 這時dt=x(t-1)
如果xt～I(2)，就是說xt的2階差分是平穩序列的話
xt的1n階差分dxt=x(t)-x(t-1) 這時xt的1階差分依然不平穩，
那麼 對xt的1階差分再次差分後，
xt的2階差分ddxt=dxt-dxt（t-1）便是平穩序列 這時dt=-x(t-1)-dxt（t-1）
n階的話可以依次類推一下。
❺ 如何深入理解時間序列分析中的平穩性
聲明：本文中所有引用部分，如非特別說明，皆引自Time Series Analysis with Applications in R.
接觸時間序列分析才半年，盡力回答。如果回答有誤，歡迎指出。
對第一個問題，我們把它拆分成以下兩個問題：
Why stationary?（為何要平穩？）
Why weak stationary?（為何弱平穩？）
Why stationary?（為何要平穩？）
每一個統計學問題，我們都需要對其先做一些基本假設。如在一元線性回歸中（），我們要假設：①不相關且非隨機（是固定值或當做已知）②獨立同分布服從正態分布（均值為0，方差恆定）。
在時間序列分析中，我們考慮了很多合理且可以簡化問題的假設。而其中最重要的假設就是平穩。
The basic idea of stationarity is that the probability laws that govern the behavior of the process do not change over time.
平穩的基本思想是：時間序列的行為並不隨時間改變。
正因此，我們定義了兩種平穩：
Strict stationarity: A time series {} is said to be strictly stationary if the joint distribution of ,, · · ·, is the same as that of,, · · · ,for all choices of natural number n, all choices of time points ,, · · · , and all choices of time lag k.
強平穩過程：對於所有可能的n，所有可能的,, · · · , 和所有可能的k，當,, · · ·,的聯合分布與,, · · · ,相同時，我們稱其強平穩。
Weak stationarity: A time series {} is said to be weakly (second-order, or co-variance) stationary if:
① the mean function is constant over time, and
② γ(t, t − k) = γ(0, k) for all times t and lags k.
弱平穩過程：當①均值函數是常數函數且②協方差函數僅與時間差相關，我們才稱其為弱平穩。
此時我們轉到第二個問題：Why weak stationary?（為何弱平穩？）
我們先來說說兩種平穩的差別：
兩種平穩過程並沒有包含關系，即弱平穩不一定是強平穩，強平穩也不一定是弱平穩。
一方面，雖然看上去強平穩的要求好像比弱平穩強，但強平穩並不一定是弱平穩，因為其矩不一定存在。
例子：{}獨立服從柯西分布。{}是強平穩，但由於柯西分布期望與方差不存在，所以不是弱平穩。（之所以不存在是因為其並非絕對可積。）
另一方面，弱平穩也不一定是強平穩，因為二階矩性質並不能確定分布的性質。
例子：,,互相獨立。這是弱平穩卻不是強平穩。
知道了這些造成差別的根本原因後，我們也可以寫出兩者的一些聯系：
一階矩和二階矩存在時，強平穩過程是弱平穩過程。（條件可簡化為二階矩存在，因為）
當聯合分布服從多元正態分布時，兩平穩過程等價。（多元正態分布的二階矩可確定分布性質）
而為什麼用弱平穩而非強平穩，主要原因是：強平穩條件太強，無論是從理論上還是實際上。
理論上，證明一個時間序列是強平穩的一般很難。正如定義所說，我們要比較，對於所有可能的n，所有可能的,, · · · , 和所有可能的k，當,, · · ·,的聯合分布與,, · · · ,相同。當分布很復雜的時候，不僅很難比較所有可能性，也可能很難寫出其聯合分布函數。
實際上，對於數據，我們也只能估算出它們均值和二階矩，我們沒法知道它們的分布。所以我們在以後的模型構建和預測上都是在用ACF，這些性質都和弱項和性質有關。而且，教我時間序列教授說過："General linear process(weak stationarity, linearity, causality) covers about 10% of the real data." ，如果考慮的是強平穩，我覺得可能連5%都沒有了。
對第二個問題：
教授有天在審本科畢業論文，看到一個寫金融的，用平穩時間序列去估計股票走勢（真不知這老兄怎麼想的）。當時教授就說：「金融領域很多東西之所以難以估計，就是因為其經常突變，根本就不是平穩的。」
果不其然，論文最後實踐階段，對於股票選擇的正確率在40%。連期望50%都不到（任意一點以後要麼漲要麼跌）。
暑假裡自己用了一些時間序列的方法企圖開發程序性交易程序。
剛開始收益率還好，越往後就越...後面直接虧損了...（軟體是金字塔，第二列是利潤率）
虧損的圖當時沒截，現在也沒法補了，程序都刪了。
所以應該和平穩沒關系吧，畢竟我的做法也沒假設是平穩的。如果平穩我就不會之後不盈利了。
（吐槽）自己果然不適合做股票、期貨什麼的...太高端理解不能...
以上
❻ 時間序列數據一定要進行平穩性檢驗么急急急！！！！！
接受原假設，從算出來的檢驗統計量 -8.888888 都大於各臨界值，可以認為你的序列在這些顯著性水平下都是非平穩的。不能通過ADF檢驗。 這些你可以參考一下易丹輝的書，易丹輝數據分析與Eviews應用。
❼ 判定數據序列平穩與否的方法都有哪些
1、 時間序列 取自某一個隨機過程，如果此隨機過程的隨機特徵不隨時間變化，則我們稱過程是平穩的；假如該隨機過程的隨機特徵隨時間變化，則稱過程是非平穩的。
2、 寬平穩時間序列的定義：設時間序列 ，對於任意的 , 和 ，滿足： 則稱 寬平穩。
3、Box-Jenkins方法是一種理論較為完善的統計預測方法。他們的工作為實際工作者提供了對時間序列進行分析、預測，以及對ARMA模型識別、估計和診斷的系統方法。使ARMA模型的建立有了一套完整、正規、結構化的建模方法，並且具有統計上的完善性和牢固的理論基礎。
4、ARMA模型三種基本形式：自回歸模型（AR：Auto-regressive），移動平均模型（MA：Moving-Average）和混合模型（ARMA：Auto-regressive Moving-Average）。
（1） 自回歸模型AR(p)：如果時間序列 滿足
其中 是獨立同分布的隨機變數序列，且滿足：
，
則稱時間序列 服從p階自回歸模型。或者記為 。
平穩條件：滯後運算元多項式 的根均在單位圓外，即 的根大於1。
（2） 移動平均模型MA(q)：如果時間序列 滿足
則稱時間序列 服從q階移動平均模型。或者記為 。
平穩條件：任何條件下都平穩。
（3） ARMA(p,q)模型：如果時間序列 滿足
則稱時間序列 服從(p,q)階自回歸移動平均模型。或者記為 。
特殊情況：q=0,模型即為AR(p)，p=0, 模型即為MA(q)。
2、模型參數的估計
①初估計
i、 AR(p)模型參數的Yule-Walker估計
特例：對於一階自回歸模型AR(1)， ，對於二階自回歸模型AR(2)， ， 。
ii、MA(q)模型參數估計
特例：對於一階移動平均模型MA(1), ，對於二階移動平均模型MA(2)， ， 。
iii、ARMA(p,q)模型的參數估計
模型很復雜，一般利用統計分析軟體包完成。
②精估計
ARMA(p,q)模型參數的精估計，一般採用極大似然估計，由於模型結構的復雜性，無法直接給出參數的極大似然估計，只能通過迭代方法來完成，這時，迭代初值常常利用初估計得到的值。
3、ARMA(p,q)序列預報
設平穩時間序列 是一個ARMA(p,q)過程，則其最小二乘預測： 。
i、AR(p)模型預測
，
ii、ARMA(p,q)模型預測
，其中 。
iii、預測誤差
預測誤差為： 。l步線性最小方差預測的方差和預測步長l有關，而與預測的時間原點t無關。預測步長l越大，預測誤差的方差也越大，因而預測的准確度就會降低。所以一般不能用ARMA(p,q)作為長期預測模型。
iv、預測的置信區間
預測的95%置信區間：
不知道對你有沒幫助
❽ 時間序列差分後,如何判斷平穩性
可以通過作圖得方式來看，平穩得序列盡管有波動，但是從圖中可以明顯看出序列得均值基本保持不變，不平穩序列的話，其值會呈上升趨勢
❾ 時間序列的平穩性是什麼意思
L下說的沒幾把意思，就記住做時序分析前提條件就是數據得平穩,平穩是很多假設的先決條件，不平穩就差分，時序的品穩性可以通過看plot初步得知，再就看ACF decay,如果acf plot dies down 很快就是平穩的，下降很慢很穩定就嗝屁了看規律要麼差分要麼那是指數什麼的（忘記名字了），或adf test也就是unit root test而確定。