❶ 如何用SPSS判别时间序列是否平稳
spss的分析方法里判别分析的，那边应该可以找到贝叶斯判别，不过，我记得我们那会做的时候，没有明显的“beyes”这几个字
❷ 如何用判断时间序列是否平稳呢
首先绘制时序图，观察是否存在波动和向上或向下的趋势
然后做相关系数图，若随k增大，自相关系数迅速衰减则序列平稳；若随k增大，自相关系数衰减缓慢则序列不平稳
最后进行单位根检验，P-值<α时，拒绝存在单位根的原假设，序列平稳。
❸ 什么是平稳时间序列，能举个生活中的平稳时间序列的例
“平稳时间序列”是天文学专有名词。来自 中国天文学名词审定委员会审定发布的天 文学专有名词中文译名，词条译名和中英 文解释数据版权由天文学名词委所有。
中文译名平稳时间序列
英文原名/注释stationarytime series ：小波消噪与时间序列分析方 法在预测领域中应用十分广泛,但是在降 雨量的预测中应用不多。在基于小波消 噪的基础上应用时间序列中平稳时间学 列方法对降雨量进行预测,结果显示,应用 该方法有效地提高了降雨量的预测精 度。用丹东地区1971-2006年的降雨量作 为历史数据,建立降雨量预测模型,结果表 明新模型算法简单、精度较高,比传统的 拓扑预测模型效果更好,为降雨量预测提 供了一种行之有效的方法
❹ 非平稳时间序列可以预测股票走势吗
一般把非平稳时间序列转化为平稳时间序列的方法是取n阶差分法。
比如举个例子，假设xt本身是不平稳的时间序列，如果xt～I(1) ,也就是说x的1阶差分是平稳序列。
那么 xt的1阶差分dxt=x(t)-x(t-1) 就是平稳的序列 这时dt=x(t-1)
如果xt～I(2)，就是说xt的2阶差分是平稳序列的话
xt的1n阶差分dxt=x(t)-x(t-1) 这时xt的1阶差分依然不平稳，
那么 对xt的1阶差分再次差分后，
xt的2阶差分ddxt=dxt-dxt（t-1）便是平稳序列 这时dt=-x(t-1)-dxt（t-1）
n阶的话可以依次类推一下。
❺ 如何深入理解时间序列分析中的平稳性
声明：本文中所有引用部分，如非特别说明，皆引自Time Series Analysis with Applications in R.
接触时间序列分析才半年，尽力回答。如果回答有误，欢迎指出。
对第一个问题，我们把它拆分成以下两个问题：
Why stationary?（为何要平稳？）
Why weak stationary?（为何弱平稳？）
Why stationary?（为何要平稳？）
每一个统计学问题，我们都需要对其先做一些基本假设。如在一元线性回归中（），我们要假设：①不相关且非随机（是固定值或当做已知）②独立同分布服从正态分布（均值为0，方差恒定）。
在时间序列分析中，我们考虑了很多合理且可以简化问题的假设。而其中最重要的假设就是平稳。
The basic idea of stationarity is that the probability laws that govern the behavior of the process do not change over time.
平稳的基本思想是：时间序列的行为并不随时间改变。
正因此，我们定义了两种平稳：
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.
强平稳过程：对于所有可能的n，所有可能的,, · · · , 和所有可能的k，当,, · · ·,的联合分布与,, · · · ,相同时，我们称其强平稳。
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.
弱平稳过程：当①均值函数是常数函数且②协方差函数仅与时间差相关，我们才称其为弱平稳。
此时我们转到第二个问题：Why weak stationary?（为何弱平稳？）
我们先来说说两种平稳的差别：
两种平稳过程并没有包含关系，即弱平稳不一定是强平稳，强平稳也不一定是弱平稳。
一方面，虽然看上去强平稳的要求好像比弱平稳强，但强平稳并不一定是弱平稳，因为其矩不一定存在。
例子：{}独立服从柯西分布。{}是强平稳，但由于柯西分布期望与方差不存在，所以不是弱平稳。（之所以不存在是因为其并非绝对可积。）
另一方面，弱平稳也不一定是强平稳，因为二阶矩性质并不能确定分布的性质。
例子：,,互相独立。这是弱平稳却不是强平稳。
知道了这些造成差别的根本原因后，我们也可以写出两者的一些联系：
一阶矩和二阶矩存在时，强平稳过程是弱平稳过程。（条件可简化为二阶矩存在，因为）
当联合分布服从多元正态分布时，两平稳过程等价。（多元正态分布的二阶矩可确定分布性质）
而为什么用弱平稳而非强平稳，主要原因是：强平稳条件太强，无论是从理论上还是实际上。
理论上，证明一个时间序列是强平稳的一般很难。正如定义所说，我们要比较，对于所有可能的n，所有可能的,, · · · , 和所有可能的k，当,, · · ·,的联合分布与,, · · · ,相同。当分布很复杂的时候，不仅很难比较所有可能性，也可能很难写出其联合分布函数。
实际上，对于数据，我们也只能估算出它们均值和二阶矩，我们没法知道它们的分布。所以我们在以后的模型构建和预测上都是在用ACF，这些性质都和弱项和性质有关。而且，教我时间序列教授说过："General linear process(weak stationarity, linearity, causality) covers about 10% of the real data." ，如果考虑的是强平稳，我觉得可能连5%都没有了。
对第二个问题：
教授有天在审本科毕业论文，看到一个写金融的，用平稳时间序列去估计股票走势（真不知这老兄怎么想的）。当时教授就说：“金融领域很多东西之所以难以估计，就是因为其经常突变，根本就不是平稳的。”
果不其然，论文最后实践阶段，对于股票选择的正确率在40%。连期望50%都不到（任意一点以后要么涨要么跌）。
暑假里自己用了一些时间序列的方法企图开发程序性交易程序。
刚开始收益率还好，越往后就越...后面直接亏损了...（软件是金字塔，第二列是利润率）
亏损的图当时没截，现在也没法补了，程序都删了。
所以应该和平稳没关系吧，毕竟我的做法也没假设是平稳的。如果平稳我就不会之后不盈利了。
（吐槽）自己果然不适合做股票、期货什么的...太高端理解不能...
以上
❻ 时间序列数据一定要进行平稳性检验么急急急！！！！！
接受原假设，从算出来的检验统计量 -8.888888 都大于各临界值，可以认为你的序列在这些显著性水平下都是非平稳的。不能通过ADF检验。 这些你可以参考一下易丹辉的书，易丹辉数据分析与Eviews应用。
❼ 判定数据序列平稳与否的方法都有哪些
1、 时间序列 取自某一个随机过程，如果此随机过程的随机特征不随时间变化，则我们称过程是平稳的；假如该随机过程的随机特征随时间变化，则称过程是非平稳的。
2、 宽平稳时间序列的定义：设时间序列 ，对于任意的 , 和 ，满足： 则称 宽平稳。
3、Box-Jenkins方法是一种理论较为完善的统计预测方法。他们的工作为实际工作者提供了对时间序列进行分析、预测，以及对ARMA模型识别、估计和诊断的系统方法。使ARMA模型的建立有了一套完整、正规、结构化的建模方法，并且具有统计上的完善性和牢固的理论基础。
4、ARMA模型三种基本形式：自回归模型（AR：Auto-regressive），移动平均模型（MA：Moving-Average）和混合模型（ARMA：Auto-regressive Moving-Average）。
（1） 自回归模型AR(p)：如果时间序列 满足
其中 是独立同分布的随机变量序列，且满足：
，
则称时间序列 服从p阶自回归模型。或者记为 。
平稳条件：滞后算子多项式 的根均在单位圆外，即 的根大于1。
（2） 移动平均模型MA(q)：如果时间序列 满足
则称时间序列 服从q阶移动平均模型。或者记为 。
平稳条件：任何条件下都平稳。
（3） ARMA(p,q)模型：如果时间序列 满足
则称时间序列 服从(p,q)阶自回归移动平均模型。或者记为 。
特殊情况：q=0,模型即为AR(p)，p=0, 模型即为MA(q)。
2、模型参数的估计
①初估计
i、 AR(p)模型参数的Yule-Walker估计
特例：对于一阶自回归模型AR(1)， ，对于二阶自回归模型AR(2)， ， 。
ii、MA(q)模型参数估计
特例：对于一阶移动平均模型MA(1), ，对于二阶移动平均模型MA(2)， ， 。
iii、ARMA(p,q)模型的参数估计
模型很复杂，一般利用统计分析软件包完成。
②精估计
ARMA(p,q)模型参数的精估计，一般采用极大似然估计，由于模型结构的复杂性，无法直接给出参数的极大似然估计，只能通过迭代方法来完成，这时，迭代初值常常利用初估计得到的值。
3、ARMA(p,q)序列预报
设平稳时间序列 是一个ARMA(p,q)过程，则其最小二乘预测： 。
i、AR(p)模型预测
，
ii、ARMA(p,q)模型预测
，其中 。
iii、预测误差
预测误差为： 。l步线性最小方差预测的方差和预测步长l有关，而与预测的时间原点t无关。预测步长l越大，预测误差的方差也越大，因而预测的准确度就会降低。所以一般不能用ARMA(p,q)作为长期预测模型。
iv、预测的置信区间
预测的95%置信区间：
不知道对你有没帮助
❽ 时间序列差分后,如何判断平稳性
可以通过作图得方式来看，平稳得序列尽管有波动，但是从图中可以明显看出序列得均值基本保持不变，不平稳序列的话，其值会呈上升趋势
❾ 时间序列的平稳性是什么意思
L下说的没几把意思，就记住做时序分析前提条件就是数据得平稳,平稳是很多假设的先决条件，不平稳就差分，时序的品稳性可以通过看plot初步得知，再就看ACF decay,如果acf plot dies down 很快就是平稳的，下降很慢很稳定就嗝屁了看规律要么差分要么那是指数什么的（忘记名字了），或adf test也就是unit root test而确定。