4. 平稳性检验方法
在时间序列建模中，平稳性是决定模型选择与统计推断有效性的前提。若序列存在单位根，回归结果可能呈现虚假显著，冲击具有永久性，均值回归假设也随之失效。因此，在建立ARIMA、协整或均值回归模型之前，必须对序列进行平稳性检验。本节聚焦三类最常用的检验方法：ADF、KPSS与PP，从原理、假设、实现步骤到结果解读逐一展开。
一、核心原理：三类检验的统计逻辑
ADF检验（Augmented Dickey-Fuller）的核心思想是检验序列是否存在单位根。它从回归式出发，将因变量的一阶差分对滞后水平项和若干滞后差分项回归，通过判断滞后水平项系数是否显著为负来推断平稳性。若系数显著小于零，说明序列具有均值回归倾向，拒绝单位根假设。
PP检验（Phillips-Perron）与ADF检验的原假设相同，都假设序列存在单位根。区别在于，PP检验不通过增加滞后差分项来修正自相关，而是采用非参数方法对统计量进行修正，因此对滞后阶数选择不敏感，适合存在较强自相关或异方差的情形。
KPSS检验（Kwiatkowski-Phillips-Schmidt-Shin）则采用相反的原假设：序列是平稳的。它将序列分解为确定性趋势、随机游走和误差项，检验随机游走成分的方差是否为零。若方差显著不为零，则拒绝平稳性假设。因此，KPSS常与ADF配合使用，形成“双重确认”。
二、假设体系与结果判读
三类检验的假设体系可归纳如下表。理解原假设与备择假设的方向，是避免误读p值的关键。
| 检验方法 | 原假设 H₀ | 备择假设 H₁ | 拒绝H₀的含义 | 常见用途 |
|---|---|---|---|---|
| ADF | 存在单位根（非平稳） | 无单位根（平稳） | 支持平稳 | 常规平稳性判断 |
| PP | 存在单位根（非平稳） | 无单位根（平稳） | 支持平稳 | 自相关/异方差稳健判断 |
| KPSS | 平稳 | 存在单位根（非平稳） | 支持非平稳 | 与ADF交叉验证 |
结果解读时，通常以p值与显著性水平α（常取0.05）比较。对于ADF和PP，若p值小于α，则拒绝单位根，认为序列平稳；对于KPSS，若p值小于α，则拒绝平稳，认为序列非平稳。当ADF与KPSS结论一致时，判断较为可靠；若二者冲突，则需检查趋势项设定、样本量、滞后阶数或结构突变。
三、实现步骤与代码示例
以Python的statsmodels为例，三类检验的实现流程高度相似，但参数设定需注意。ADF需指定回归类型（常数、常数加趋势、无）和滞后阶数；PP需指定回归类型和带宽；KPSS需指定回归类型和滞后截断参数。
import numpy as np
import pandas as pd
from statsmodels.tsa.stattools import adfuller, kpss
from statsmodels.tsa.stattools import PhillipsPerron
# 模拟一个带趋势的非平稳序列
np.random.seed(42)
n = 300
trend = np.linspace(0, 10, n)
noise = np.random.normal(0, 1, n)
series = trend + noise
# ADF检验：默认含常数项，滞后阶数由AIC自动选择
adf_result = adfuller(series, autolag='AIC')
print('ADF统计量:', adf_result[0])
print('ADF p值:', adf_result[1])
print('滞后阶数:', adf_result[2])
print('临界值:', adf_result[4])
# PP检验
pp_result = PhillipsPerron(series, regression='c')
print('PP统计量:', pp_result.stat)
print('PP p值:', pp_result.pvalue)
# KPSS检验：回归类型为常数项，滞后截断使用默认
kpss_result = kpss(series, regression='c', nlags='auto')
print('KPSS统计量:', kpss_result[0])
print('KPSS p值:', kpss_result[1])
print('KPSS临界值:', kpss_result[3])
执行上述代码后，若ADF的p值较大（如0.8），PP的p值也较大，而KPSS的p值较小（如0.01），则三者一致指向序列非平稳。此时可对序列进行一阶差分，再重复检验，直至差分序列平稳。
四、案例场景与常见误区复盘
假设我们研究某股票价格与宏观经济指标的关系。价格序列通常非平稳，而收益率序列往往平稳。若直接对价格做回归，可能得到高R²但残差存在单位根，导致伪回归。正确做法是：先对价格做ADF、PP、KPSS检验，确认非平稳后，再检验一阶差分是否平稳。若一阶差分平稳，则序列为I(1)，可进一步做协整检验。
常见误区包括：
- 只看ADF，忽略KPSS。ADF在接近单位根时检验力较低，容易误判为平稳。KPSS可作为补充，二者结论一致时更可信。
- 回归类型设定错误。若序列明显带趋势，却使用仅含常数项的ADF，会降低检验力。应选择“常数+趋势”或先去除趋势。
- 滞后阶数选择随意。ADF的滞后阶数过少会导致自相关残留，过多会损失检验力。建议使用AIC或BIC自动选择。
- 混淆“拒绝”与“接受”。ADF不拒绝原假设，只能说明“没有足够证据证明平稳”，不能直接断言“序列就是非平稳”。
- 忽略结构突变。若序列存在均值突变或趋势突变，传统ADF、KPSS可能失效，需使用Zivot-Andrews等考虑突变的检验。
复盘时，建议形成固定流程：先画时序图观察趋势与突变，再同时运行ADF、PP、KPSS，记录统计量、p值、滞后阶数和回归类型，最后结合差分后的结果做综合判断。只有检验结论稳健，后续的协整与均值回归建模才有可靠基础。