1 概念与直观理解
平稳过程是时间序列分析中用来刻画“长期统计特征不随时间整体平移而改变”的随机模型。其核心价值在于：当数据被认为来自某种平稳机制时，均值水平、波动程度以及“过去对现在的影响方式”（通过自相关结构体现）会在较长时间尺度上保持一致，从而使许多估计与推断工具具备稳定的理论基础。
1.1 时间平移不变性
时间平移不变性指：若把序列的起点从第 \(t\) 时刻整体移动到第 \(t+\Delta\) 时刻，所得过程的统计描述应保持同一形态。直观理解可以是“换一段时间截取，同类行为看起来差不多”。这并不要求每个时刻的取值完全相同，而是要求统计规律在整体上不被系统性地改变。
1.2 平稳性的统计含义（均值、方差、自相关）
在弱平稳的常用框架下，平稳性主要体现在三类对象上：
- 均值：随时间位置变化的趋势消失，即期望不依赖于具体时刻。
- 方差：波动幅度不随时间而改变。
- 自相关结构：序列在“滞后为 \(k\)”时的相关程度只与 \(k\) 有关，与起始时刻无关。
因此，“看起来像同一种随机波动方式在持续发生”。
1.3 平稳与“看起来稳定”的区别
“看起来稳定”往往是一种视觉直觉：序列不明显上升下降、波动也不明显变大变小。但这种判断可能忽略细节，比如某些非平稳过程在短样本内也会呈现近似平稳的外观。严格意义的平稳性是对统计性质（乃至更强的分布性质）的要求，而不仅是曲线形状的稳定。
2 数学定义
平稳性的数学表述取决于强弱程度。通常从“分布层面不变”到“低阶矩层面不变”逐级放宽，以适配不同的建模与检验需求。
2.1 严格平稳（强平稳）
严格平稳（强平稳）要求：对任意时刻偏移 \(\Delta\)，原过程与平移后的过程在任意有限维集合上的联合分布相同。更具体地，若取 \((X_t, X_{t+1}, \dots, X_{t+m})\)，则其联合分布不随 \(t\) 改变。这个定义比弱平稳强得多，因此适用性相对更受限，但它能提供最严格的理论一致性。
2.2 弱平稳
弱平稳（也称二阶平稳）只要求：均值为常数，且协方差只依赖于滞后而不依赖于时间位置。对齐到协方差层面，可写为 \(\mathrm{Cov}(X_t, X_{t+k})\) 只与 \(k\) 有关。由于只涉及二阶矩，弱平稳更常用于实际建模，尤其是在以线性结构和谱分析为主的场景。
2.3 广义平稳与相关扩展（视情形）
在更一般的讨论中，平稳性概念可能扩展为：除均值外还允许某些弱条件改变，或将平稳性替换为对更一般统计对象的不变性（例如与尺度或变换有关的变体）。这些扩展通常服务于特定模型类别或特定数据结构。在工程实践中，往往会采用与目标分析工具相匹配的“平稳替代条件”，以确保方法可用、结论可解释。
2.4 平稳性的必要条件与常见验证口径
常见的验证口径通常围绕两点展开：一是统计量是否随时间平移出现系统性变化；二是这些变化是否能被建模处理（例如差分、去趋势或季节调整）后消失。
在二阶意义上，验证往往需要至少具备存在有限方差等基本条件；否则“方差不变”的说法本身就不成立。另一方面，实际检验也常依赖样本估计的稳定性，因此会出现“近似平稳”与统计误差共同作用的情况，需要谨慎解释检验结果。
3 平稳性的类型与关系
不同层级的平稳性之间存在包含关系，也会出现“看似平稳但不够强”的情形。理解这些关系有助于选择合适的模型假设与推断工具。
3.1 严格平稳蕴含弱平稳
严格平稳由于要求联合分布对平移不变，因此必然包含低阶矩的不变性。换言之，如果过程在所有有限维分布层面平移不变，那么其均值、方差以及协方差结构都不会随时间位置改变，因此严格平稳一定蕴含弱平稳。
3.2 弱平稳不等于严格平稳
弱平稳只约束均值与协方差，并不禁止高阶矩随时间变化。因而存在这样的过程：二阶结构稳定，但更高阶的分布特征并不保持一致。此类过程在许多常见线性分析中仍可能工作良好，但当模型或推断依赖更强的分布假设时，弱平稳的不足会暴露出来。
3.3 协方差平稳的含义与用途
协方差平稳强调协方差函数的滞后依赖形式。它是谱分析与许多线性系统分析的关键入口：一旦协方差只与滞后相关，就可以把“时间结构”映射到频域上的谱密度，从而用频率成分解释波动来源与相关性形态。
3.4 从“平稳”到“近似平稳”的概念过渡
在真实数据中，完全满足严格平稳往往较难。于是“近似平稳”成为常见工作假设：在目标分析区间内，统计量的变化幅度足够小，或变化能被系统性处理掉（例如去除趋势或季节性）。近似平稳并非严格定义，但它反映了实践中“足够好”的建模策略：在可接受误差范围内保持方法有效。
4 典型例子与反例
通过典型模型与反例，可以更直观理解平稳性的边界，以及为什么某些常用序列会被视为非平稳。
4.1 白噪声过程
白噪声常被视为平稳过程的基础例子。若其均值为常数、方差有限且不同时间点不相关（或在更强的版本下为独立），那么从二阶意义上，协方差仅在零滞后非零，其余滞后为零；因此它满足弱平稳。若进一步假设为独立同分布且分布不随时间变动，则也可满足严格平稳。
4.2 平稳ARMA过程（概念层面）
ARMA模型的平稳性通常与参数满足某种“根在单位圆之外”（在常见离散时间设定下）的条件有关。概念层面可理解为：模型的动态响应不会导致误差累积放大，从而使得序列不会随时间扩散。满足条件的ARMA过程会保持稳定的协方差结构，因此是弱平稳乃至在更强条件下接近严格平稳的建模对象。
4.3 随机游走与非平稳示例
随机游走通常写为 \(X_t = X_{t-1} + \varepsilon_t\)。直观上，每一步的随机扰动会累积到当前值里，导致方差随时间增长。由于方差不再是常数，因此它不满足弱平稳的基本要求。随机游走是非平稳中最经典的“方差随时间膨胀”示例。
4.4 趋势项/季节项导致的非平稳
若序列含有随时间变化的确定性趋势（如线性增长）或季节性结构（如周期项随时间重复但位置发生变化），那么均值往往会随时间位置改变，至少在原始尺度上不满足“均值为常数”的弱平稳条件。此类非平稳并不意味着无法建模，通常通过去趋势、季节调整或差分等方式让序列回到近似平稳的状态。
4.5 轻微漂移下的近似平稳直觉
当趋势很弱、样本长度有限时，均值变化可能在统计波动范围内“看不出来”。这会造成近似平稳的错觉：自相关与方差估计可能仍呈现稳定的外观。但当样本扩展或漂移增强时，偏离会显著出现。因此需要把“视觉稳定”与“统计检验与误差范围”区分开。
5 性质与等价刻画
平稳性不仅能用定义判断，也能通过若干等价或相关刻画方式理解，例如协方差函数的结构、频域谱的性质，以及线性系统对平稳性的保持特征。
5.1 自协方差函数的滞后依赖性
自协方差函数定义为 \(\gamma(k)=\mathrm{Cov}(X_t, X_{t+k})\)（在平稳情形下与 \(t\) 无关）。它描述了“距离 \(k\) 的时间间隔上，变量彼此关联的强度”。若 \(\gamma(k)\) 随 \(k\) 以某种规律衰减或振荡，就能反映出序列的记忆长度与周期倾向。
5.2 功率谱与平稳性
功率谱（或谱密度）把协方差结构转换到频域，常用傅里叶变换关系表达。平稳的好处是：谱密度可以被视为对“频率成分能量分布”的稳定描述。若在频域上观察到谱形随时间改变，往往意味着原过程的统计结构并不恒定，从而与平稳性相矛盾。
5.3 线性滤波下的平稳性保持（概念讨论）
平稳过程经过稳定的线性滤波（例如卷积或线性差分运算）通常仍保持平稳性。直观原因是：滤波器是对历史值的线性组合，只要权重不导致系统不稳定，输出的均值与协方差仍可用输入的平稳结构推导。该性质解释了许多建模方法中“在平稳框架上进行线性变换后仍可分析”的可行性。
5.4 独立增量与平稳性的差异
独立增量强调：某些时间段上的增量相互独立。它与平稳性并不等价。许多讨论中容易混淆：独立增量可能对应非平稳（例如随机游走增量独立但整体方差随时间增长），而平稳性则更关注整体序列的统计一致性。二者可以独立出现，也可以同时存在，但不能互相替代作为判定依据。
6 识别与检验（方法概览）
平稳性是否成立通常通过“诊断—处理—再诊断”的流程推进。检验方法并不追求单一结论，而是关注证据链是否一致。
6.1 图形诊断：均值与方差是否“漂移”
常见做法是查看滚动均值、滚动方差或分段统计量。如果序列在不同时间窗口显示均值系统抬升或波动幅度显著改变，就提示可能存在趋势、异方差或结构性变化。图形诊断不够严格，但能提供方向性线索，用来指导后续处理。
6.2 自相关/偏自相关的观察要点
自相关函数（ACF）与偏自相关函数（PACF）的形态在平稳情况下应主要由滞后决定而非时间位置。若数据含明显非平稳成分，自相关可能在不同区段呈现不同特征（例如衰减速度变化、出现不合理的“拖尾”）。在实践中，配合滚动窗口的ACF展示可增强判断。
6.3 单位根检验与平稳性检验的思想（概念层面）
单位根检验的核心思想是判断序列是否存在导致“冲击会持续累积”的根结构。若结果支持存在单位根，通常意味着原序列非平稳，差分后更可能达到平稳或近似平稳。该思路与差分、去趋势处理形成逻辑闭环：先识别非平稳来源，再选择变换让过程满足分析前提。
6.4 频域诊断：谱形变化的意义
频域诊断关注谱密度是否随时间或样本变化而形态明显改变。若谱峰位置、带宽或能量分布呈现持续性偏移，意味着频率成分在时间上并不稳定，通常与非平稳机制相关。频域视角可以补足时域诊断对某些周期性或混合成分不易捕捉的问题。
7 相关变换与建模策略
当原序列不满足平稳性时，建模策略通常不是放弃，而是对数据进行变换，使其进入更可分析的状态。
7.1 差分与去趋势：从非平稳走向平稳
差分是最常用的手段之一，用于削弱趋势或让缓慢变化变为更“短期”的波动。去趋势则是通过估计并移除确定性趋势成分，使剩余部分更贴近平稳假设。选择差分阶数或趋势形式需结合数据特性与诊断结果。
7.2 对数变换与方差稳定化（概念概览）
有些序列呈现方差随水平增大而增大的现象，属于波动幅度与均值强相关。对数或幂变换常用于压缩大值、缓解异方差，从而让“方差更接近平稳”。这类处理更偏向于改善二阶矩稳定性，使后续平稳建模更顺畅。
7.3 处理季节性：季节差分与季节调整
季节性会导致均值与相关结构在特定周期上重复出现。季节差分通过去除周期性变化来削弱这种结构性不平稳；季节调整则可能采用分解思路把季节成分单独估计并移除。处理完成后通常需要再次进行平稳性诊断，以确认季节效应已被有效消除。
7.4 状态空间/结构时间序列中的平稳分量
在状态空间框架中，可以把序列拆成趋势、季节、噪声等潜在分量，并允许某些分量随时间演化。与其把整个观测序列强行视为平稳，不如识别“哪些分量更接近平稳”，哪些分量是不平稳但具有可解释结构。这样既保持建模灵活性，也便于解释与预测。
8 常见误区与“反直觉”点
平稳性概念容易被误读，导致错误结论或不恰当的模型选择。以下误区体现出“定义与直觉不一致”的典型场景。
8.1 只看均值不看方差的风险
均值稳定并不等于平稳。若方差随时间膨胀，或波动呈现异方差特征，那么弱平稳条件仍被破坏。此时即使曲线均值看起来水平，也可能存在影响预测误差与置信区间的系统性问题。
8.2 混淆相关平稳与严格平稳
相关平稳通常对应协方差层面稳定，而严格平稳要求分布层面不变。若仅凭二阶性质通过了“协方差平稳”检查，并不意味着更高阶结构也恒定。尤其在需要使用非线性统计量或分布尾部性质时，严格平稳的缺失可能显著影响推断。
8.3 大样本下的“假平稳”现象
当样本量较大但数据机制存在轻微变化时，某些估计量可能在统计误差下看起来稳定，从而形成“假平稳”判断。反之，样本很短时又可能出现“假不平稳”。因此检验与诊断最好与可解释的变换策略结合，并考虑置信区间与样本敏感性。
8.4 平稳≠无结构：平稳过程也可能有强相关
平稳性只要求统计性质随平移不变，不禁止相关性很强。许多平稳过程会表现出显著的自相关或周期性（例如某些平稳的周期型模型）。因此“相关强”并不必然意味着非平稳；关键在于相关结构是否稳定地由滞后决定，而不是是否“看起来热闹”。
9 术语与延伸主题
平稳性相关的术语体系用于描述更广泛的性质与应用场景，并与常见时序模型工具形成衔接。
9.1 平稳序列、平稳随机过程与时序平稳
平稳序列通常指满足平稳性质的观测序列本身；平稳随机过程强调更基础的随机生成机制；时序平稳则是对时间序列语境下平稳性的通用表述。三者在表述上略有侧重点，但都围绕统计不随时间平移改变这一核心。
9.2 相关概念：遍历性、混合性（概要）
遍历性与混合性是刻画“样本平均是否能代表总体性质”“远距离依赖是否会减弱”的概念。它们与平稳性并非同一层级：平稳性保证统计规律不变，而遍历性帮助把“长时间的观测”转化为“对期望/协方差的估计可靠性”；混合性则与依赖衰减速度有关，影响渐近性质与统计推断的有效性。
9.3 平稳性在ARIMA/谱分析中的角色
在ARIMA类框架中，平稳性通常是差分后建模的目标：非平稳通过差分变为近似平稳，从而使ARMA结构能够发挥作用。在谱分析中，平稳性则使谱密度的定义与估计更具稳定含义，使频域解释可建立在一致的统计结构上。
9.4 从理论到工程：预测与控制中的应用框架
在预测任务中，平稳假设使得模型参数估计与误差评估更可控：未来的统计行为与历史的统计结构相连。在控制问题中，若系统噪声可近似看作平稳过程，设计与分析能够简化为基于稳定统计量的推导。工程实践往往采取“分段平稳”“局部平稳”或“变换后平稳”的策略，以适配真实世界中不可避免的变化。