企业官网建设流程全解析

写时间序列分析的人，十有八九都栽过这个跟头：拿到数据，不管三七二十一，直接丢进模型里跑回归，结果R方高得吓人、系数显著得一塌糊涂，兴冲冲拿去给业务方看，结果模型一上新数据就崩得不成样子。问题出在哪里？多半是你手里的序列不平稳，跑出了一堆“伪回归”。所谓伪回归，就是两个本身就带趋势的序列，哪怕毫无因果关系，回归结果也会显得高度相关。

所以做时间序列建模之前，预处理环节里的平稳性检验，是绕不过去的一道门槛。这篇继续聊R语言里的实现，侧重点放在操作细节和判断逻辑上，帮你在建模前把把关，省得后面返工。

1. 平稳性检验的应用场景与核心思路

先捋清楚一个概念：平稳性到底是什么。严格来说，平稳分强平稳和弱平稳。实际建模用到的、也是各种检验函数默认考察的，基本都是弱平稳，也就是序列的均值、方差在整个时间范围内保持恒定，而任意两个时点之间的协方差只依赖于时间间隔，不依赖于具体位置。用人话说，这组数据的统计性质不随时间的推移发生变化。

为什么建模前必须先过这一关？因为绝大多数经典的时间序列模型，比如ARMA、ARIMA，甚至向量自回归VAR，都建立在“序列平稳”这个前提之上。如果直接用非平稳序列去建模，参数估计的统计性质会出问题，t检验、F检验的结果都不再可靠。更现实一点说，模型预测能力会很差，样本外的表现往往惨不忍睹。

检验平稳性的方法大概分三类：一类是看时序图和自相关图，做个直观判断；一类是单位根检验，是目前的主流；还有一类是其他辅助性检验方法，比如方差比检验、KPSS检验等。单位根检验里最常用的又是ADF检验、PP检验、DF-GLS检验这几种。

我在实际工作中常用的是组合策略：先用ADF检验判断是否有单位根，再用KPSS检验从另一个方向验证，两个结果互相印证。因为ADF的原假设是“序列存在单位根”，即非平稳；而KPSS的原假设是“序列平稳”。这两个检验的原假设正好相反，如果ADF拒绝了原假设、同时KPSS不能拒绝原假设，那基本可以放心。如果两个检验结果矛盾，就得再仔细检查模型设定和数据处理环节是不是出了问题。

这一篇的侧重点是R语言里怎么把这些检验跑起来、怎么解读输出结果、遇到不一致怎么办。理论部分只做必要铺垫，重心放在能直接上手的代码和判断经验上。

2. 检验环境准备与工具链选型

R里做平稳性检验，最常用的两个包是tseries和urca。两者各有侧重，我一般配合着用。

tseries包用起来最简单，函数数量少，参数也不复杂。核心是两个函数：adf.test()做ADF检验，kpss.test()做KPSS检验。对入门或者快速验证来说，这两个函数就够了，几行代码出结果，解读也直白。

但urca包的功能要细致得多。它提供的ur.df()、ur.kpss()、ur.pp()函数可选参数更灵活。比如ur.df()可以让你手动指定是否带截距、是否带趋势、滞后阶数怎么选，输出里同时给出检验统计量、临界值和p值，能更好地适应不同形态的数据。调模型的时候，我更喜欢用urca包，信息量大，输出的细节多。

安装和加载很简单：

install.packages("tseries") install.packages("urca") library(tseries) library(urca)

两个包的函数对应关系大致如下：

tseries的adf.test内部基于urca的adf.test实现，输出的周界设置略有不同。有一点必须提醒：adf.test默认会包含常数项和趋势项，如果你的序列是纯随机游走或者只有漂移项而没有什么趋势，用了默认参数可能会导致检验功效下降。后面实操环节会专门展开。

另外一个值得做的事，是把需要的包全部装在统一的代码片段里。我一般在项目开头把这些库都加载好，后面写起来不用反复library()。

加载完包之后，建议先对数据的整体情况做一个基本检查，包括时间频率、缺失值、样本长度。样本量太小（比如少于50个观测值），无论哪种单位根检验，功效都有限。样本量至少要上百，检验结果才有参考价值。

3. 实战：完整检验流程演示

下面用模拟数据走一遍完整流程。虽然用的是模拟数据，但步骤可以完全照搬到真实业务数据上。

3.1 构建演示数据集

先生成两组数据：一组是随机游走序列，本质非平稳；一组是带趋势的平稳序列，经过确定性趋势的剥离后是平稳的。这样方便对比不同检验在不同类型序列上的表现。

set.seed(20240601) # 随机游走序列：y_t = y_(t-1) + eps_t n <- 200 rw <- cumsum(rnorm(n)) # 带趋势平稳序列：x_t = 0.2 * t + epsilon_t t <- 1:n trend_stationary <- 0.2 * t + rnorm(n) ts.plot(rw, col = "steelblue", main = "随机游走") ts.plot(trend_stationary, col = "darkred", main = "趋势平稳序列")

从时序图上看，随机游走序列的均值会漂来漂去，没有一个固定的中心；而趋势平稳序列围绕着一条上升直线上下波动。这两种序列用肉眼就能看出区别，但肉眼判断只能作为初步参考，最终还是要靠检验定量给出结论。

顺便说一句，画ACF图也很直观。随机游走的自相关函数衰减得非常慢，拖着长长的尾巴；而平稳序列的自相关函数通常会在几阶之后迅速衰减到置信区间内。我习惯在检验之前，先画出ACF图来做一个预判。

acf(rw, lag.max = 30, main = "随机游走的ACF") acf(trend_stationary, lag.max = 30, main = "趋势平稳序列的ACF")

3.2 ADF检验实操

ADF检验是扩展的Dickey-Fuller检验，核心思路是考察序列的一阶差分是否可以用滞后项来解释。简单说，就是构造一个回归模型，检验滞后项的系数是否为0。如果系数显著为0，说明序列有一个单位根，非平稳。

tseries包的adf.test()用法很直接：

adf.test(rw) adf.test(trend_stationary)

输出的结果包括Dickey-Fuller统计量、滞后阶数和p值。对于rw序列，p值通常会远大于0.05，说明没有充足理由拒绝“存在单位根”的原假设，也就是序列非平稳。对于trend_stationary序列，p值通常会小于0.05，拒绝原假设，判断为平稳。

这里有个细节：adf.test()默认的滞后阶数是由内部截断规则决定的，基本等于长度的三分之一取整附近。这个默认值在部分情况下会选得偏大或偏小。偏大会降低检验功效，偏小则可能漏掉更高阶的滞后项。

所以如果用ur.df()来做，可以更精细地控制参数：

adf_rw <- ur.df(rw, type = "none", selectlags = "AIC") summary(adf_rw) adf_trend <- ur.df(trend_stationary, type = "trend", selectlags = "AIC") summary(adf_trend)

ur.df()里type参数可以选"none"（无截距无趋势）、"drift"（只带截距）、"trend"（带截距和趋势）。选哪个取决于序列的特征。如果序列在0附近波动且没有明显趋势，用"none"；如果围绕非零均值波动且没有趋势，用"drift"；如果有明显的线性趋势，用"trend"。

selectlags参数可以选"AIC"或"BIC"，也可以直接指定一个数字作为固定滞后阶数。我个人偏好用AIC，因为它能更充分地捕捉自相关结构。

ur.df()的summary输出里面，ts值对应的是ADF检验统计量，下面会列出1%、5%、10%三个显著性水平的临界值。判断规则很简单：如果检验统计量小于临界值，拒绝原假设，认为序列平稳；反之则不能拒绝原假设。注意，因为检验是左尾的，所以“小于”指的是往负方向走得更远。

3.3 KPSS检验实操

KPSS检验的原假设是序列平稳。这跟ADF正好相反。

tseries包的kpss.test()用法：

kpss.test(rw) kpss.test(trend_stationary)

这里有一个需要注意的地方：kpss.test的默认参数里，trend参数默认是NULL，函数会自动判断是否有趋势。输出的LM统计量如果较大，超出临界值，就拒绝“平稳”的原假设。对于rw序列，kpss.test通常会给出很小的p值，拒绝平稳。对于trend_stationary序列，如果函数没有正确识别趋势，有可能会误判成非平稳。这就是为什么我建议用ur.kpss()：

kpss_rw <- ur.kpss(rw, type = "tau") summary(kpss_rw) kpss_trend <- ur.kpss(trend_stationary, type = "tau") summary(kpss_trend)

ur.kpss()的type参数有两个选择："mu"表示只检验平稳性（检验类型是均值的稳定性），"tau"表示带趋势的平稳性。如果序列有明显趋势，设置成"tau"更合适；如果没有趋势，用"mu"。

同样地，判断规则是：如果检验统计量大于临界值，拒绝原假设，认为序列非平稳；如果小于临界值，不能拒绝原假设，有证据表明序列可能是平稳的。

把两个检验结果放在一起：

当ADF说“非平稳”、KPSS说“平稳”，两个结论恰好相反，就需要特别注意，后面专门写一节处理这种矛盾。

3.4 PP检验与综合判定

PP检验，即Phillips-Perron检验，也是一种常用的单位根检验。它跟ADF检验的不同在于对序列相关和异方差的处理方式。ADF通过增加滞后差分项来修正残差自相关，而PP直接对检验统计量进行修正，不需要指定滞后阶数。说白了，PP对序列相关更稳健一些。

urca包里的ur.pp()用法：

pp_rw <- ur.pp(rw, type = "Z(t_alpha)", model = "constant") summary(pp_rw)

type参数一般保留默认的"Z(t_alpha)"，model参数可选"constant"（带常数项）、"trend"（带趋势项）或"none"（不带）。具体选择参考序列形态。

PP检验的结果解读方式跟ADF一致：检验统计量小于临界值则拒绝单位根原假设。

实际操作里，我会把ADF、KPSS、PP三个检验的结果列在一张表里综合判断。比如ADF说平稳、PP也说平稳、KPSS也支持平稳，那这个序列可以比较放心地作为平稳序列处理。如果ADF和PP都说非平稳、KPSS也说非平稳，那基本可以确定这个序列差分后再建模。

还有一种常用辅助判断：检查序列对一阶差分后的ACF图和PACF图。如果差分后ACF快速截尾或拖尾衰减，也侧面验证了差分后的序列是平稳的。

4. 参数选择与细节陷阱

工具会用了，接下来这些细节才是真正区分新手和老手的环节。同一个序列，参数设定不同，检验结论可能天差地别。

4.1 滞后阶数到底怎么选

滞后阶数对ADF检验影响最大。选太少了，残差里可能还残留自相关，检验统计量有偏；选太多了，又浪费自由度，小样本情况下功效降低。

实际操作中掌握两个原则：一是让模型残差尽可能接近白噪声；二是用信息准则辅助选择。AIC和BIC都是可用的，我个人倾向于用AIC，因为它在预测精度方面常常优于BIC，尤其在样本量不够大的时候。

如果想手动检查滞后阶数是否足够，可以对回归残差做Ljung-Box检验。如果残差还有序列相关，就需要增加滞后阶数：

# 用ur.df获得lm模型对象 adf_model <- ur.df(rw, type = "none", selectlags = 6) # 残差白噪声检验 Box.test(adf_model@testreg$residuals, lag = 12, type = "Ljung-Box")

如果检验结果p值小于0.05，说明残差中还有自相关结构，当前的滞后阶数不够，需要加阶数。

4.2 是否带趋势项与截距项

前面提到过，ADF回归里的额外项会改变检验统计量的分布，所以必须根据序列形态来选择。

判断方法很简单：看时序图。如果序列围绕0上下波动，选"none"或"drift"；如果围绕一个非零常数波动，选"drift"；如果呈现明显的上升或下降趋势，选"trend"。

如果选了"trend"但序列其实没有趋势，检验功效下降；反过来如果该带趋势却不带，可能把趋势平稳序列误判成单位根过程。这个坑我栽过好几次。有一次处理一个增长率数据，增速明显围绕某个均值波动，没有趋势。我下意识用了"trend"，结果ADF检验跑出来说非平稳，数据其实稳定得很。后来改成"drift"，才得到正确的判断。

所以，用错模型设定，比用错检验方法更容易造成误判。

4.3 样本量的影响

单位根检验在小样本下的检验功效普遍较低。也就是说，序列本来平稳，但因为样本太少，检验没有足够证据拒绝原假设，造成误判为“非平稳”。

比如只有30个观测值的数据，不管用什么检验，结论都很难让人放心。这种情况下，更好的做法是画图观察，或者使用更适用于小样本的DF-GLS检验，即Elliott-Rothenberg-Stock检验。这个检验通过对数据做广义最小二乘变换，在小样本下功效比ADF更高，urca包里没有现成函数，可以使用urca包里的dfgls相关实现，或者用urca里的ur.ers()函数：

ers_test <- ur.ers(trend_stationary, type = "DF-GLS", model = "trend") summary(ers_test)

ur.ers()的实际可用性取决于R版本和包更新情况。如果不可用，也可以换用tseries或者其他包里的实现。总之，遇到小样本数据，不要只依赖ADF一个结果。

5. 常见问题与排查心得

下面集中整理几个高频问题，都是实际操作中经常遇到的。

5.1 ADF和KPSS结论不一致怎么办

这种矛盾最常出现。比如ADF检验不拒绝单位根原假设，判定非平稳；但KPSS检验也不拒绝平稳原假设，判定可能是平稳。听起来两头都占，实际上信息是矛盾的。

我遇到这种情况的常见原因有几种。一是序列有结构突变，比如政策调整、突发事件导致均值发生跳变，两种检验对突变点的处理不同，结果就会打架。二是序列其实是一个长记忆过程，自相关衰减得很慢，ADF可能漏判，KPSS也可能出偏差。三是确定性趋势被误设定，前面提到的trend和drift用错，也会导致不一致。

处理方式分几步：先画图确认有没有结构突变，有突变就用带结构断点的单位根检验，比如urca的ur.za()函数，或者把突变点前后的数据分段检验。然后用差分或者分解方法提取确定性趋势后重新检验。如果还是不一致，就保守起见，按非平稳处理，做差分后再检验。

一条经验是：当检验结果互相矛盾时，宁可差分后建模，也不要冒险用非平稳数据直接建模。差分虽然损失一点信息，但至少模型结论是可靠的。

5.2 过度差分问题

一阶差分后序列平稳，就此打住。很多人为了更平稳，会对差分后的序列再做差分，结果引入过度差分的问题——序列的方差会增大，模型反而更难估计。

判断是否过度差分的一个简单办法：比较一阶差分序列和二阶差分序列的方差。如果二阶差分后的方差明显大于一阶差分后，大概率是差分过头了。另一种方法是用信息准则比较不同差分阶数下的ARIMA模型拟合结果，选AIC或BIC最小那个阶数。

实际操作中，我通常最多做到二阶差分。如果一个序列需要二阶差分才能平稳，我会先看看是不是数据本身有指数增长趋势，比如GDP、人口这类数据，更适合用对数变换或者增长率序列来做分析。

5.3 季节性序列的检验误判

月度或者季度数据经常有季节性。如果直接做ADF或者KPSS检验，季节性特征会被当成自相关结构，影响滞后阶数的选择，可能导致误判。

处理方式：先做季节分解，把趋势项、季节项、随机项分开，再对季节调整后的序列做平稳性检验。R里用stl()函数做LOESS分解，或者用decompose()做经典分解。

monthly_data_ts <- ts(some_data, frequency = 12) decomposed <- stl(monthly_data_ts, s.window = "periodic") seasonally_adj <- monthly_data_ts - decomposed$time.series[, "seasonal"] adf.test(seasonally_adj)

如果检验季节调整后的序列是平稳的，那么说明原始数据的非平稳性有一部分是季节性造成的，建模时用加法或者乘法分解的方式把季节项单独处理即可。

5.4 缺失值和异常值的干扰

缺失值不会直接导致误判，但会通过影响滞后阶数选择和回归样本量，间接影响检验结果。异常值则更麻烦，尤其是那种异常的大跳变，会让序列的方差变大，均值漂移，ADF检验可能漏掉单位根，或者正好相反。

所以我建议在平稳性检验之前，先做数据清洗：插补缺失值、处理明显异常值。插补方法可以是线性插值、移动平均或者更复杂的季节插值。如果用tseries里的na.interp()函数，处理起来比较方便。

异常值是否值得处理，要看它属于真实业务事件还是数据采集错误。比如电商平台的促销日销量暴增，这是有业务含义的，就不建议直接抹掉，可以考虑加入干预变量或者使用robust方法。

6. 一些实用建议与踩坑记录

最后分享几点个人经验，谈不上什么理论创新，但都是实打实用时间换来的。

第一个建议是：检验之前先弄清楚数据生成过程的大致类型。是流量数据、财务数据还是传感器数据？它们的基本形态完全不同。流量数据可能带有强季节性，财务数据往往有波动聚集效应，传感器数据可能带有缓慢漂移。先有个直觉判断，再决定用哪组参数，会省很多事。

第二个建议是：把检验结果做成一套固定模板。每次拿到新数据，我都按固定顺序跑一遍：时序图、ACF图、ADF、KPSS、一阶差分后的ACF和PACF。这套流程跑下来，数据的大致脾气基本摸清了。模板形式可以是R脚本，也可以是R Markdown，都可以。

第三点，检验时机也很重要。在做时间序列建模时，不要只在建模前做一次平稳性检验。滚动窗口的平稳性检验，或者分样本期的稳定性检验，在实际业务中更有参考价值。因为很多数据在长时间段内并不稳定，前期平稳、后期出现趋势或者突变的情况很常见。用滚动窗口观察平稳性随时间的演化，能提前预警模型失效的风险。

第四，R的输出结果一定要学会看细节再下结论。比如ur.df()的summary输出里，除了检验统计量、临界值，还有回归系数、残差标准误等。有时候回归系数本身就能告诉你很多信息，比如趋势项是否显著、常数项是否显著。这些信息对进一步建模都有价值。

最后一个提醒：任何单位根检验都不是万能的，不要以一个检验结果的p值来定生死。数据形态复杂的时候，多画图、多角度验证，比死磕检验输出更有用。时间序列分析这个领域，经验积累比背公式更重要，各种数据见多了，自然就总结出自己的一套判断逻辑。

这一期把平稳性检验的R语言实现讲到这里。下一期可以聊聊差分阶数的选择、ARIMA模型的定阶，以及模型诊断里面那些容易被忽略的细节。如果对你有帮助，欢迎在评论区留言，我尽量回复。