平稳时间序列判断标准
时间序列不是稳定的怎么进行最小二乘法回归呀？
时间序列不是稳定的怎么进行最小二乘法回归呀？
非平稳的时间序列不能直接做回归分析，否则得到的结果是伪回归。
目前主流的处理非平稳序列的方法有两种
1.对你的时间序列做差分变换，非平稳序列通常在做了差分变换后变成平稳序列，但是每做一次会失去一个自由度。
2.另一个较为先进的技术称之为“协整分析”，就是两个时间序列虽然非平稳，但是它们之间存在长期的协整关系。这比较高级，如果是你是本科生就选择方法1，如果你是研究生就请选择方法2
ma序列如何判断平稳性？
如果一个时间序列含有以下任一部分都可判定为非平稳的:趋势性部分、季节性部分、可预测周期性部分。
2. 借助平滑技术探索序列非平稳的原因。
什么是平稳性与非平稳性？
该名词用来描述随机过程生成的时间序列数据。通俗理解，若随机截取未来某个时间段，若数据特性仍与当前保持一致，则称为平稳，不一致则称为不平稳。以上描述仍存在偏差，可结合平稳性定义理解
简述平稳性检验都有哪些？
目前最常用的平稳性统计检验方法是单位根检验（unit root test）。
1.时序图检验
所谓时序图就是一个平面二维坐标图，通常横轴表示时间，纵轴表示序列取值。时序图可以直观地帮助我们掌握时间序列的一些基本分布特征。
根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的范围有界的特点。
2.自相关图检验
自相关图是一个平面二维坐标悬垂线图，一个坐标轴表示延迟时期数，另一个坐标轴表示自相关系数，通常以悬垂线表示自相关系数的大小。
平稳序列通常具有短期相关性。（短期相关性意思就是只有短期内具有相关性，相隔时间越长，相关性越小。就比如很难从1999年的房价推算出2021年的房价，因为相隔时间太长。）
spss做时间序列预测为什么是直线？
可能是丢失了漂移项(drift)，因为原本的序列的非平稳的，需要经过差分变成平稳时间序列然后再进行参数估计，那么很有可能漂移项在预测的时候没有加上去。