时间序列分析怎么做：ADF、趋势与 ACF/PACF 诊断边界

时间序列分析不是把“日期列 + 数值列”丢进一个预测按钮。先确认时间顺序、频率、缺失与重复，再判断任务是描述趋势、诊断依赖结构，还是拟合模型并预测。本文只把当前可核验的产品能力写进承诺。

先分清四类任务

任务	主要问题	常见输出
描述	序列整体向上、向下还是没有明显线性趋势	样本量、均值、标准差、斜率、R²
平稳性诊断	序列是否有单位根证据	ADF 统计量、p 值、临界值
依赖结构诊断	当前值与过去若干期怎样相关	ACF、PACF
建模与预测	用什么模型、未来值和不确定性如何	参数、残差诊断、预测区间、误差评估

前三类输出可以帮助研究者形成下一步候选，但不能自动替代第四类任务。尤其不能因为看到了 ACF/PACF，就直接宣称某个 ARIMA 阶数已经成立。

数据进入分析前的五项核对

1. 一行是不是一个时间点。 同一时间点若有多条记录，要先明确聚合规则。
2. 是否按时间升序排列。 当前分析器按行顺序理解时间，不会替你重建真实时间轴。
3. 时间频率是否一致。 月度、季度和不规则随访不能混在同一序列里解释。
4. 缺失代表什么。 未观测、停业、零发生量不是同一含义；补值规则必须由研究设计决定。
5. 季节周期是否有业务依据。 月度数据可能考虑 12 期周期，但“12”不是所有序列的默认答案。

时间字段本身也要检查重复、时区和日期解析。分析数值列前，先保存原始数据与清洗日志，避免把排序或补值决定埋进不可追溯的结果里。

ChatSRS 当前可执行范围

当前 time_series 分析器可核验的范围是：

• ADF 单位根检验：对有效样本不少于 10 的数值序列输出统计量、p 值和 1%/5%/10% 临界值；
• 线性趋势：按行序号拟合简单线性趋势，输出样本量、均值、标准差、趋势方向、斜率与 R²；
• ACF/PACF：当序列至少有 20 个有效观测时，对第一个数值序列输出最多 10 阶的自相关与偏自相关系数。

当前实现会先对每个数值序列删除缺失值，再把剩余观测按现有行顺序交给趋势、ADF 和 ACF/PACF。删除以后不会保留缺口的真实时间间隔：如果月度序列缺了某个月，缺口两侧的观测会被当作相邻期。分析前必须先补齐时间轴或明确不规则间隔的处理规则，不能让自动删除把“缺月”压缩成连续月份。

当前不执行 ARIMA/SARIMA 模型拟合、自动定阶、Ljung-Box 残差诊断或未来值预测，也不输出 Prophet 对比、预测区间、MAPE、RMSE、MAE。页面可以解释这些后续概念，但不能把它们伪装成当前系统已经生成的结果。

一个与当前能力一致的请求

确认数据已按时间排序后，可以这样描述：

“对月度门诊量做时间序列诊断：报告 ADF、线性趋势和 ACF/PACF。不要拟合 ARIMA，也不要生成未来预测；请标明有效样本和缺失处理提醒。”

这条请求把诊断与预测分开，输出失败时也更容易定位是数据、样本量还是方法边界问题。

ADF 结果怎么读

ADF 的原假设通常是“序列含单位根”。因此：

• p 值较小，只表示在当前检验规格与样本下有证据拒绝单位根原假设；
• ADF 的 p 值较大表示未拒绝单位根原假设，不等于已经证明序列一定非平稳；
• 是否包含截距、趋势项、滞后阶数和结构突变都会影响结论。

当前分析器使用 autolag="AIC"，但没有暴露截距或趋势规格选择，也没有自动差分后重跑。看到“未能拒绝”时，应回到图形、研究期间、结构突变和检验规格继续核对，不能机械地把 d=1 写进模型。

线性趋势结果怎么读

当前趋势输出来自“数值对行序号”的简单线性回归：

• 斜率为正且检验显著，可描述当前样本期内存在上升的线性趋势证据；
• R² 表示这条简单直线解释的样本内变异比例；
• 它不处理季节性、自相关、政策断点或非线性，也不是因果效应。

如果数据频率不规则，行序号斜率甚至不能直接解释为“每月变化量”。此时应先建立真实时间间隔，或转到能显式处理时间轴的工具。

ACF/PACF 能说明什么

ACF 描述序列与自身滞后值的相关；PACF 描述控制更短滞后后某一阶的增量关系。它们可以提示依赖结构，但 ACF/PACF 不能单独证明 AR、MA 或 ARIMA 模型正确，更不能证明预测准确。

当前实现还有两个重要限制：

• 只对请求中的第一个有效数值序列输出 ACF/PACF；
• 最多输出 10 阶，不能据此检查月度数据常见的 12 期季节峰。

若研究问题需要季节性、模型比较或预测，应把频率、候选模型、训练/验证切分、残差诊断和误差指标写成独立合同，再使用能真实执行这些步骤的软件。

SPSS 时间序列分析操作的在线替代：先迁移任务，不迁移菜单

搜索“SPSS 时间序列分析操作的在线替代”时，最容易误解成网页工具会一比一复制 SPSS 菜单和输出。更可靠的迁移方式是逐项对照：

要核对的对象	迁移问题
数据	时间变量、频率、缺失、重复和异常点是否一致
检验	ADF 的规格、滞后选择和临界值口径是否一致
图表/统计	ACF/PACF 的阶数、置信带和预处理是否一致
模型	是否真的拟合 ARIMA/SARIMA，估计方法和参数是否一致
预测	训练窗口、验证集、预测期、区间与误差指标是否一致

ChatSRS 当前可以承接前三项中的部分诊断，不提供 SPSS 界面、语法或文件级结果的一比一兼容，也不能作为完整的 SPSS 时间序列预测在线替代。需要预测时，应保留 SPSS、R、Python 或其他已验证工具的模型与输出作为真源。

什么时候转到其他方法

• 多个平稳序列之间的动态关系，需要转到真实支持 VAR、滞后选择和诊断的工具；
• 金融收益率的条件波动，需要转到真实支持 GARCH、分布设定和残差诊断的工具；
• 只想比较时间前后两次测量，可能应先阅读 独立样本与配对样本 t 检验怎么选，而不是直接做时间序列；
• 同一对象有三个及以上重复时点，应考虑重复测量或纵向模型，而不是把时点当独立组。

方法名称由设计与估计目标决定，不能用“哪个结果更显著”倒推方法。

报告模板

对按时间升序排列的 [变量]（有效观测 N=[ ]）进行描述性时间序列诊断。报告 ADF 统计量、p 值与临界值，并说明当前检验规格；同时报告简单线性趋势的斜率和 R²，以及前 [ ] 阶 ACF/PACF。以上结果用于诊断，不包含 ARIMA/SARIMA 拟合、残差白噪声检验或未来预测，因此不据此评价模型精度。

把实际数字逐项回填，并保留运行版本、输入数据哈希和缺失处理规则。不要使用示例数字代替真实输出。

开始前的最小清单

• 时间顺序和频率已经核对；
• 重复时间点与缺失的处理有记录；
• 请求只包含当前支持的 ADF、趋势和 ACF/PACF；
• 预测任务已另行选择真实可执行工具；
• 结果不会被写成因果或准确率保证。

确认这些边界后，可进入 ChatSRS 运行时间序列诊断。研究者仍需核对数据、检验规格与最终表述。

相关阅读

• 如何选择统计方法
• 独立样本与配对样本 t 检验怎么选

---

本文只描述可由当前实现核验的能力；产品输出必须与原始数据、研究设计和独立复核共同使用。