本文详解如何利用 `statsmodels` 和自定义分布（如对数正态分布）生成具有非零均值、严格正值的 ar(2) 时间序列，规避默认零均值限制，并提供可复现的完整实现与验证方法。
在使用 statsmodels.tsa.arima_process.ArmaProcess 生成自回归（AR）序列时，其底层实现默认假设白噪声项（innovation term）服从零均值分布（如标准正态），因此直接调用 generate_sample() 得到的 AR 过程样本虽满足指定 AR 系数结构，但整体均值仍由噪声均值主导——通常接近于零。但这并不意味着无法获得非零均值或正值序列；关键在于：控制驱动噪声的分布本身。
你当前代码中已正确迈出最关键的一步：通过 distrvs=rng.lognormal 指定对数正态分布作为创新项（即白噪声输入）。由于对数正态分布天然满足 X > 0 且 E[X] = exp(μ + σ²/2) > 0，因此生成的 AR 序列将自动具备严格正值和非零（正）均值特性——无需额外加常数偏移。
以下是优化后的完整实践方案：
import numpy as np
from statsmodels.tsa.arima_process import ArmaProcess
# 固定随机种子以保证可复现性
rng = np.random.default_rng(12345)
# 注意：ArmaProcess 要求 AR 多项式系数以 [1, -φ₁, -φ₂, ...] 格式传入
# 你原代码中 ar_1 = [2, -0.25, -0.25] 实际对应 φ₁=0.25, φ₂=0.25，但首项应为 1（归一化）
# 正确写法（推荐）：
ar_1 = np.array([1, -0.25, -0.25]) # AR(2): X_t = 0.25 X_{t-1} + 0.25 X_{t-2} + ε_t
ar_2 = np.array([1, -0.5, -0.25]) # AR(2): X_t = 0.5 X_{t-1} + 0.25 X_{t-2} + ε_t
ma1 = np.array([1])
# 使用对数正态分布生成正值创新项：shape=(σ), scale=exp(μ)
# 例如：lognormal(μ=0, σ=1) → 均值 ≈ 1.65，最小值 > 0
def lognormal_noise(size):
return rng.lognormal(mean=0.0, sigma=1.0, size=size)
# 生成样本（n=7200，即 2 小时每秒 1 点）
nsample = 2 * 60 * 60
ar1_proc = ArmaProcess(ar_1, ma1)
ar1_dat = ar1_proc.generate_sample(nsample=nsample, distrvs=lognormal_noise)
ar2_proc = ArmaProcess(ar_2, ma1)
ar2_dat = ar2_proc.generate_sample(nsample=nsample, distrvs=lognormal_noise)
# 验证：确保全为正数且均值显著非零
print(f"AR1 min: {ar1_dat.min():.6f}, mean: {ar1_dat.mean():.6f}")
print(f"AR2 min: {ar2_dat.min():.6f}, mean: {ar2_dat.mean():.6f}")
assert np.all(ar1_dat > 0) and np.all(ar2_dat > 0), "存在非正值！"✅ 关键说明与注意事项：
立即学习“Python免费学习笔记（深入）”；
- ArmaProcess 的 ar 参数需为归一化形式（首项为 1），否则可能导致数值不稳定或非平稳行为；你原代码中的 [2, -0.25, -0.25] 实质上等价于缩放后的模型，建议统一使用 [1, ...] 形式。
- rng.lognormal() 默认参数 mean=0, sigma=1 已确保输出恒正；若需调控均值/方差，可调整 mean（即 μ）和 sigma（即 σ）——注意 mean 是对数尺度下的均值，非原始尺度。
- 无需手动添加常数项（如 +c）来平移序列：对数正态噪声本身已赋予序列内在正均值，且保持 AR 结构完整性。
- 如需更高精度验证“永不出现负值”，可运行轻量级蒙特卡洛检验（如答案中所示），实测 min > 0.0048，远高于浮点误差阈值。
综上，生成非零均值、全正值 AR(2) 样本的核心不是修改 AR 模型本身，而是选择支持正支撑集（positive support）的创新分布——对数正态分布是最自然、最稳健的选择。
