ADF检验中p值小于0.05且ADF统计量小于临界值（如-3.43）才可判定序列平稳；若p值大于0.05或存在明显趋势/季节性，需差分，通常一至二阶即可，超过二阶易导致过差分。
怎么判断一个序列是否需要差分
看 adfuller 返回的 p-value —— 小于 0.05 才算平稳；大于 0.05 就得差分。但别只盯 p 值，还要看 adf 统计量是否小于临界值（比如 -3.43），否则可能误判。常见陷阱是：原始序列带明显趋势或季节性，adfuller 却返回 p=0.07，这时不能硬扛，该差分还得差分。
实操建议：
立即学习“Python免费学习笔记（深入）”；
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 先画
plot()看趋势和方差是否随时间变化；突增、缓升、周期震荡都是非平稳信号 - 用
adfuller(series, autolag="AIC")，别省掉autolag参数，否则滞后阶数选得不准，检验效力下降 - 如果一阶差分后仍不平稳（p > 0.05），再试二阶，但超过二阶要警惕——可能过差分导致噪声放大、模型失真
Statsmodels里怎么正确做ADF检验
adfuller 默认只检验无常数项、无趋势项的单位根，但现实数据大多带漂移或趋势，直接调用容易漏检。必须根据序列形态手动指定 regression 参数。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 纯随机游走（均值不变、无趋势）→ 用默认
regression="c"（含截距） - 有线性趋势（如逐年增长）→ 改成
regression="ct"（含截距 + 时间趋势项） - 季节性强的数据（如月度销售）→ 先用
seasonal_decompose拆解，再对残差做 ADF，别直接对原序列硬上 - 检验前务必 drop 掉 NaN：差分后头几个值是 NaN，
adfuller遇到会报ValueError: array must not contain infs or NaNs
ARIMA建模时d参数怎么定，和差分操作怎么对齐
ARIMA(p, d, q) 中的 d 必须等于你实际做的差分阶数，且差分操作必须在拟合前完成——Statsmodels 不会在内部自动帮你差分原始序列。很多人把 d=1 和原始序列直接喂给 ARIMA，结果模型拟合的是差分后序列，但预测时却反向还原错位，导致结果全偏。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先用
series.diff(d).dropna()得到平稳序列，再用它跑adfuller验证 -
d取值后，建模时传入原始序列 +d参数：ARIMA(series, order=(p, d, q))，内部会按需差分 - 预测后用
model.forecast(steps=10)得到的是差分域结果；要还原到原始尺度，得用model.get_forecast().predicted_mean配合series.iloc[-1]手动累加（尤其d=1时） - 别用
diff().diff()做二阶差分——它会把索引搞乱，改用series.diff(2)
差分后建模效果差，可能是这几点没注意
差分只是手段，不是万能解。很多情况下，差分完 ADF 过了，但 ARIMA 拟合残差仍有自相关，说明差分没解决根本问题——比如季节性未剥离、外生变量缺失、或波动率时变（需 GARCH）。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 画
plot_acf/plot_pacf看差分后序列：如果滞后 12 处还有显著峰，大概率是残留季节性，得考虑SARIMAX而非普通 ARIMA - 检查残差是否异方差：用
plot(series.diff().std())看标准差是否随时间跳变，跳变明显就别硬上 ARIMA，试试对数变换或 ARCH 类模型 - 差分会丢失首部信息，样本量变少，小数据集（
d 值，在不同数据上意义可能完全不同——关键是你差分之后，是否还相信这个序列的未来是由它的过去线性决定的。 
