时间序列建模第一步：用Matlab的adftest为你的ARIMA模型挑选平稳数据（附差分处理全流程）
时间序列建模实战：从ADF检验到ARIMA模型定参的完整指南
当你面对一组销售数据、股价走势或其他时间序列时，是否曾困惑于如何判断这些数据是否适合直接建模？现实世界中的时间序列数据往往带有趋势或季节性，直接套用ARIMA等经典模型可能导致预测失效。本文将带你用Matlab的adftest函数，系统性地解决这一核心问题。
1. 为什么平稳性检验是时间序列建模的基石
想象你正在分析某电商平台的月度销售额数据。原始数据曲线呈现明显的上升趋势——这意味着每个数据点的统计特性（如均值、方差）随时间变化。这种非平稳性会破坏ARIMA等线性模型的基本假设，导致虚假回归或预测偏差。
ADF检验（Augmented Dickey-Fuller test）正是为解决这一问题而生。它通过检验时间序列是否存在单位根（unit root）这一数学特征，来判断序列是否具有平稳性。与简单的目视检查不同，ADF检验提供了统计量化的判断依据：
- 原假设（H₀）：序列存在单位根（非平稳）
- 备择假设（H₁）：序列不存在单位根（平稳）
在Matlab中，adftest函数封装了完整的ADF检验流程。但仅仅知道如何调用函数远远不够——关键在于理解检验结果如何指导后续建模决策。例如，当检验显示原始数据非平稳时，我们需要通过差分运算将其转化为平稳序列，而这个差分次数正是ARIMA模型中关键的d参数。
实际案例：某零售企业分析2015-2023年销售额数据时，原始序列ADF检验p值=0.89（显著非平稳），一阶差分后p值=0.12，二阶差分后p值=0.003。最终确定ARIMA(p,d,q)中的d=2。
2. Matlab中adftest的深度应用技巧
2.1 函数调用与参数解析
adftest函数提供多种调用方式，适应不同分析需求：
% 基础调用（默认显著性水平0.05） h = adftest(salesData); % 完整输出模式（推荐） [h, pValue, testStat, critValue] = adftest(gdpData, 'alpha', 0.01);关键参数说明：
| 参数 | 类型 | 作用 | 典型值 |
|---|---|---|---|
| y | 数值向量 | 待检验时间序列 | 任何单变量序列 |
| alpha | 标量 | 显著性水平 | 0.01, 0.05, 0.1 |
| model | 字符串 | 检验模型类型 | 'ARD', 'TS', 'AD' |
输出结果的多角度解读：
假设检验视角：
h=1：拒绝原假设（平稳）h=0：不拒绝原假设（非平稳）
概率视角：
pValue < alpha：序列平稳pValue >= alpha：序列非平稳
统计量视角：
testStat < critValue：平稳testStat >= critValue：非平稳
2.2 检验结果的可视化验证
永远不要完全依赖单一检验结果。结合图形分析能大幅降低误判风险：
figure subplot(2,1,1) plot(originalData) title('原始序列') subplot(2,1,2) plot(diff(originalData)) title('一阶差分序列') % 执行ADF检验 [h, p] = adftest(diff(originalData));常见数据模式与处理建议：
- 上升趋势：通常需要一阶差分
- 季节性波动：可能需要季节差分
- 方差变化：考虑对数变换后再差分
3. 从ADF检验到ARIMA建模的完整工作流
3.1 差分阶数的系统确定方法
通过迭代ADF检验确定最优差分次数：
data = xlsread('sales_data.xlsx'); d = 0; while true [h, p] = adftest(data); if h == 1 break; end data = diff(data); d = d + 1; if d > 2 % 防止过度差分 break; end end fprintf('建议差分次数d=%d\n', d);差分决策矩阵：
| 序列类型 | ADF结果 | 处理建议 |
|---|---|---|
| 原始序列 | 平稳 | d=0 |
| 一阶差分 | 平稳 | d=1 |
| 二阶差分 | 平稳 | 谨慎评估是否需要d=2 |
| 所有差分 | 非平稳 | 考虑其他变换或模型 |
3.2 与ARIMA模型参数的协同确定
ADF检验确定的d参数需要与ACF/PACF分析结合：
对差分后平稳序列绘制自相关图：
autocorr(diffData) partialcorr(diffData)根据截尾特征确定ARIMA的p和q参数
完整模型构建示例：
Mdl = arima('ARLags',1,'D',1,'MALags',1); EstMdl = estimate(Mdl, salesData);
经验提示：当ADF检验显示需要d=2时，建议同时检查序列是否真的需要二阶差分，或是否存在结构突变需要分段建模。
4. 实战中的陷阱与进阶技巧
4.1 避免常见分析误区
- 过度差分问题：虽然差分可以使序列平稳，但过度差分会导致信息损失和模型复杂度增加
- 结构性变化误判：如COVID疫情期间的销售数据突变可能被误判为非平稳
- 季节性忽视：纯ADF检验可能遗漏季节性非平稳，需结合季节差分
4.2 增强鲁棒性的组合策略
多检验方法验证：
- 结合KPSS检验（与ADF假设相反）
- 使用PP检验作为补充
滚动窗口检验法：
windowSize = 24; % 两年月度数据 for i = 1:length(data)-windowSize [h(i), p(i)] = adftest(data(i:i+windowSize)); end自动化建模工具：
Mdl = autoarima(data, 'D', 0:2, 'Criterion', 'aic');
4.3 非平稳数据的替代处理方案
当差分效果不佳时，可考虑：
- 趋势移除：先拟合线性/多项式趋势，再对残差建模
- 转换方法：对数变换、Box-Cox变换
- 现代模型：状态空间模型、机器学习方法
% Box-Cox变换示例 [transData, lambda] = boxcox(originalData); [h, p] = adftest(transData);在金融数据分析项目中，我们发现原始股价数据ADF检验p值=0.78，经过对数变换后p值降至0.04，成功实现平稳化而无需差分。这种变换同时稳定了方差，一举两得。