在實際應用過程中，通常需要對時間序列進行平穩性判斷，觀察乙個序列是否存在某種趨勢，以及各時間間隔內折線是否存在
明顯的差異。下面介紹一下常用的幾種檢驗方法。
1、繪製時間序列散點圖。該方法只能直觀、粗略的看序列是否存在明顯的趨勢。
2、daniel檢驗法。主要用於觀察序列是否存在著趨勢，不檢測自相關。該方法建立在spearman相關係數基礎之上，
利用非引數方法中spearman秩相關係數主要用於檢驗兩變數是否相關的基本原理來檢驗yt與
時間t是否存在著同時增加或減少的趨勢。對n對（yt,t）計算spearman相關係數，然後對小樣本時採用
附表或大樣本時採用正太近似所確定的臨界點檢驗其顯著性：
3、基於kendall t 係數檢驗法。此檢驗法對序列進行n*(n-1)/2配對進行檢測。假如在一對觀測值中，
時間t大一些的觀測值大於另乙個觀測值，這一對稱之為「向上對」，反之稱為「向下對」。用up表示「向上對」的總個數，
用down表示「向下對」的總個數，則：
1）若（up-down）幾乎等於0，則序列是無趨勢的；
2）若（up-down）大於0，則序列具有向上趨勢；
3）若（up-down）小於0，則序列具有向下趨勢。
因實際情況中，每一對要麼向上、要麼向下，且（up+down）=n(n-1)/2，因此kendall相關係數可以從
up和down著手，構造等價形式如下：
t=(up-down)/n(n-1)/2=(1-4down)/n(n-1)-4down/[n(n-1)-1]
當n<=10時，直接按照t的計算公式來判斷趨勢，當n>10時，構建如下等式：
時間序列平穩性檢驗 R語言KPSS檢驗
用r自帶的google股價變化資料goog為例 可以通過匯入fpp2包之後直接使用goog這個陣列變數 r 為 library urca summary ur.kpss goog 輸出結果如下 1 比較顯然地，檢驗的結果是用 value of test statistic 10.7223，來和下面最...
理解 時間序列的平穩性
為什麼要平穩？原因一 時間序列資料的資料結構與傳統的統計資料結構不同。最大的區別在於，傳統隨機變數可以得到多個觀測值 比如骰子點數，可以反覆擲得到多個觀測值，忽略時間的差異 而時間序列資料中，每個隨機變數只有乙個觀測值 比如設 價為研究的隨機變數，每天只有乙個 價，不同日子的 服從的分布不同，即考慮...
平穩時間序列模型的統計性質
1 ar模型的統計性質 2 ma模型的統計性質 3 arma模型的統計性質 統計性質包括5個 1 均值 2 方差 3 協方差 4 自相關係數 5 偏自相關係數。arma模型的相關性特徵 1 均值 如果ar 模型滿足平穩，均值為常數。2 方差 求解思路 首先把序列轉化為傳遞形式，再求解方差 不能直接求...