平稳序列是指在随机过程理论中，联合概率分布函数不随时间改变的随机序列。平稳序列的平稳性主要体现在均值不变、方差有限。它还有周期性、序列相关性等性质。一般来讲，获取平稳序列的办法是：将时间序列的趋势项和季节项都去掉。只留下随机项。
平稳随机序列
在信息处理与传输中，经常遇到一类称为平稳随机序列的重要信号。所谓平稳随机序列，是指它的N维概率分布函数或N维概率密度函数与时间n的起始位置无关。换句话说，平稳随机序列的统计特性不随时间的平移而发生变化。如果将随机序列在时间上平移k，其统计特性满足等式：
地球物理信息处理基础
这类随机序列就称为平稳随机序列。然而，在实际情况中，这一平稳条件很难得到满足，因此常将这类随机序列称为狭义（严）平稳随机序列。大多数情况下，虽然随机序列并不是平稳随机序列，但是它们的均值和均方值却不随时间而改变，其相关函数仅是时间差的函数，一般将这一类随机序列称为广义（宽）平稳随机序列。下面我们重点分析研究这类平稳随机序列。为简单起见，将广义平稳随机序列简称为平稳随机序列。
平稳随机序列的一维概率密度函数与时间无关，因此均值、方差和均方值均与时间无关，它们可分别表示为
μx=E［X（n）］=E［X（n+m）］ （1-17）
地球物理信息处理基础
二维概率密度函数仅仅取决于时间差，与起始时间无关；自相关函数与自协方差函数是时间差的函数。自相关函数rxx（m）与自协方差函数cxx（m）（用cxx（m）表示covxx（m））分别为
rxx（m）=E［X（n+m）X*（n）］ （1-20）
cxx（m）=E｛［X（n+m）-μx］［X（n）-μx］*｝ （1-21）
对于两个各自平稳而且联合平稳的随机序列，其互相关函数为
rxy（m）=rxy（n+m，n）=E［X（n+m）Y*（n）］ （1-22）
显然，对于自相关函数和互相关函数，下面公式成立
地球物理信息处理基础
如果对于所有的m，满足rxy（m）=0，则称两个随机序列互为正交。如果对于所有的m，满足rxy（m）=μxμy，cxy（m）=0，则称两个随机序列互不相关。
实平稳随机序列的相关函数、协方差函数具有以下重要性质
（1）自相关函数和自协方差函数是m的偶函数，即
rxx（m）=rxx（-m），cxx（m）=cxx（-m） （1-25）
而互相关函数和互协方差函数有如下关系
rxy（m）=ryx（-m），cxy（m）=cyx（-m） （1-26）
（2）rxx（0）在数值上等于随机序列的平均功率，即
地球物理信息处理基础
（3）
rxx（0）≥｜rxx（m）｜ （1-28）
（4）
地球物理信息处理基础
（5）
上两式说明大多数平稳随机序列内部的相关性随着时间差的变大，愈来愈弱。
（6）
地球物理信息处理基础
什么是平稳的时间序列
问题一：如何深入理解时间序列分析中的平稳性 声明：本文中所有引用部分，如非特别说明，皆引自Time Series Analysis with Applications in R.
接触时间序列分析才半年，尽力回答。如果回答有误，欢迎指出。
对第一个问题，我们把它拆分成以下两个问题：
Why stationary?（为何要平稳？）
Why weak stationary?（为何弱平稳？）
Why stationary?（为何要平稳？）
每一个统计学问题，我们都需要对其先做一些基本假设。如在一元线性回归中（），我们要假设：①不相关且非随机（是固定值或当做已知）②独立同分布服从正态分布（均值为0，方差恒定）。
在时间序列分析中，我们考虑了很多合理且可以简化问题的假设。而其中最重要的假设就是平稳。
The basic idea of stationarity is that the probability laws that govern the behavior of the process do not change over time.
平稳的基本思想是：时间序列的行为并不随时间改变。
正因此，我们定义了两种平稳：
Strict stationarity: A time series {} is said to be strictly stationary if the joint distribution of ,, ・ ・ ・, is the same as that of,, ・ ・ ・ ,for all choices of natural number n, all choices of time points ,, ・ ・ ・ , and all choices of time lag k.
强平稳过程：对于所有可能的n，所有可能的,, ・ ・ ・ , 和所有可能的k，当,, ・ ・ ・,的联合分布与,, ・ ・ ・ ,相同时，我们称其强平稳。
Weak stationarity: A time series {} is said to be weakly (second-order, or co-variance) stationary if:
① the mean function is constant over time, and
② γ(t, t ? k) = γ(0, k) for all times t and lags k.
弱平稳过程：当①均值函数是常数函数且②协方差函数仅与时间差相关，我们才称其为弱平稳。
此时我们转到第二个问题：Why weak stationary?（为何弱平稳？）
我们先来说说两种平稳的差别：
两种平稳过程并没有包含关系，即弱平稳不一定是强平稳，强平稳也不一定是弱平稳。
一方面，虽然看上去强平稳的要求好像比弱平稳强，但强平稳并不一定是弱平稳，因为其矩不一定存在。
例子：{}独立服从柯西分布。{}是强平稳，但由于柯西分布期望与方差不存在，所以不是弱平稳。（之所以不存在是因为其并非绝对可积。）
另一方面，弱平稳也不一定是强平稳，因为二阶矩性质并不能确定分布的性质。
例子：,,互相独立。这是弱平稳却不是强平稳。
知道了这些造成差别的根本原因后，我们也可以写出两者的一些联系：
一阶矩和二阶矩存在时，强平稳过程是弱平稳过程。（条件可简化为二阶矩存在，因为）
当联合分布服从多元正态分布时，两平稳过程等价。（多元正态分布的二阶矩可确定分布性质）
而为什么用弱平稳而非强平稳，主要原因是：强平稳条件太强......>>
问题二：什么是平稳时间序列，能举个生活中的平稳时间序列的例 “平稳时间序列”是天文学专有名词。来自 中国天文学名词审定委员会审定发布的天 文学专有名词中文译名，词条译名和中英 文解释数据版权由天文学名词委所有。
中文译名平稳时间序列
英文原名/注释stationarytime series ：小波消噪与时间序列分析方 法在预测领域中应用十分广泛,但是在降 雨量的预测中应用不多。在基于小波消 噪的基础上应用时间序列中平稳时间学 列方法对降雨量进行预测,结果显示,应用 该方法有效地提高了降雨量的预测精 度。用丹东地区1971-2006年的降雨量作 为历史数据,建立降雨量预测模型,结果表 明新模型算法简单、精度较高,比传统的 拓扑预测模型效果更好,为降雨量预测提 供了一种行之有效的方法
问题三：平稳时间序列和非平稳时间序列的区别 要对非平稳时间序列 进行平稳化处理 有利于资源的合理利用
问题四：检验时间序列平稳性的方法有哪两种 1、 时间序列 取自某一个随机过程，如果此随机过程的随机特征不随时间变化，则我们称过程是平稳的；假如该随机过程的随机特征随时间变化，则称过程是非平稳的。 2、 宽平稳时间序列的定义：设时间序列 ，对于任意的 , 和 ，满足： 则称 宽平稳。 3、Box-Jenkins方法是一种理论较为完善的统计预测方法。他们的工作为实际工作者提供了对时间序列进行分析、预测，以及对ARMA模型识别、估计和诊断的系统方法。使ARMA模型的建立有了一套完整、正规、结构化的建模方法，并且具有统计上的完善性和牢固的理论基础。 4、ARMA模型三种基本形式：自回归模型（AR：Auto-regressive），移动平均模型（MA：Moving-Average）和混合模型（ARMA：Auto-regressive Moving-Average）。 （1） 自回归模型AR(p)：如果时间序列 满足 其中 是独立同分布的随机变量序列，且满足： ， 则称时间序列 服从p阶自回归模型。或者记为 。 平稳条件：滞后算子多项式 的根均在单位圆外，即 的根大于1。 （2） 移动平均模型MA(q)：如果时间序列 满足 则称时间序列 服从q阶移动平均模型。或者记为 。 平稳条件：任何条件下都平稳。 （3） ARMA(p,q)模型：如果时间序列 满足 则称时间序列 服从(p,q)阶自回归移动平均模型。或者记为 。 特殊情况：q=0,模型即为AR(p)，p=0, 模型即为MA(q)。 二、时间序列的自相关分析 1、自相关分析法是进行时间序列分析的有效方法，它简单易行、较为直观，根据绘制的自相关分析图和偏自相关分析图，我们可以初步地识别平稳序列的模型类型和模型阶数。利用自相关分析法可以测定时间序列的随机性和平稳性，以及时间序列的季节性。 2、自相关函数的定义：滞后期为k的自协方差函数为： ，则 的自相关函数为： ，其中 。当序列平稳时，自相关函数可写为： 。 3、 样本自相关函数为： ，其中 ，它可以说明不同时期的数据之间的相关程度，其取值范围在-1到1之间，值越接近于1，说明时间序列的自相关程度越高。 4、 样本的偏自相关函数： 其中， 。 5、 时间序列的随机性，是指时间序列各项之间没有相关关系的特征。使用自相关分析图判断时间序列的随机性，一般给出如下准则： ①若时间序列的自相关函数基本上都落入置信区间，则该时间序列具有随机性； ②若较多自相关函数落在置信区间之外，则认为该时间序列不具有随机性。 6、 判断时间序列是否平稳，是一项很重要的工作。运用自相关分析图判定时间序列平稳性的准则是：①若时间序列的自相关函数 在k>3时都落入置信区间，且逐渐趋于零，则该时间序列具有平稳性；②若时间序列的自相关函数更多地落在置信区间外面，则该时间序列就不具有平稳性。 7、 ARMA模型的自相关分析 AR(p)模型的偏自相关函数 是以p步截尾的，自相关函数拖尾。MA(q)模型的自相关函数具有q步截尾性，偏自相关函数拖尾。这两个性质可以分别用来识别自回归模型和移动平均模型的阶数。ARMA(p,q)模型的自相关函数和偏相关函数都是拖尾的。 三、单位根检验和协整检验 1、单位根检验 ①利用迪基―福勒检验（ Dickey-Fuller Test）和菲利普斯―佩荣检验（Philips-Perron Test）,我们也可以测定时间序列的随机性，这是在计量经济学中非常重要的两种单位根检验方法，与前者不同的事，后一个检验方法主要应用于一阶自回归模......>>
问题五：如果时间序列平稳,那该做什么检验 我们计算自相关系数，如果有18组数据，则有17个自相关系数的数据，如果时间序列是平稳的，那么服从一个正态分布。所以我们根据每一个自相关系数的值，对应置位区间即可。
也可检验对所有k>0，自相关系数都为0的联合假设，这可通过如下QLB统计量进行
该统计量近似地服从自由度为m的c2分布（m为滞后长度）。因此:如果计算的Q值大于显著性水平为a的临界值，则有1-a的把握拒绝所有rk(k>0)同时为0的假设。
注意利用QLB统计量，原假设是平稳的，根据最大的滞后项来判断即可。
什么是平稳时间序列，能举个生活中的平稳时间序列的例
“平稳时间序列”是天文学专有名词。来自 中国天文学名词审定委员会审定发布的天 文学专有名词中文译名，词条译名和中英 文解释数据版权由天文学名词委所有。
中文译名平稳时间序列
英文原名/注释stationarytime series ：小波消噪与时间序列分析方 法在预测领域中应用十分广泛,但是在降 雨量的预测中应用不多。在基于小波消 噪的基础上应用时间序列中平稳时间学 列方法对降雨量进行预测,结果显示,应用 该方法有效地提高了降雨量的预测精 度。用丹东地区1971-2006年的降雨量作 为历史数据,建立降雨量预测模型,结果表 明新模型算法简单、精度较高,比传统的 拓扑预测模型效果更好,为降雨量预测提 供了一种行之有效的方法
