Нестационарный временной ряд

Нестационарный временной ряд — это временной ряд, статистические характеристики которого (математическое ожидание, дисперсия, автоковариация) изменяются во времени. В отличие от стационарного ряда, свойства которого остаются постоянными, нестационарный ряд демонстрирует тренды, сезонность, цикличность или другие формы непостоянства. Понятие широко используется в эконометрике, анализе данных, обработке сигналов, метеорологии и других областях, где изучаются последовательности наблюдений, упорядоченные во времени.

Определение и основные понятия

Временной ряд представляет собой последовательность значений некоторой переменной, измеренных через равные или неравные промежутки времени. Формально, временной ряд \( \{X_t\} \), где \( t = 1, 2, \ldots, T \), называется строго стационарным, если совместное распределение вероятностей для любого набора моментов времени \( t_1, t_2, \ldots, t_k \) совпадает с распределением для сдвинутого набора \( t_1 + \tau, t_2 + \tau, \ldots, t_k + \tau \) для любого \( \tau \). На практике чаще используется слабая стационарность (или стационарность в широком смысле), при которой:

• математическое ожидание \( E[X_t] = \mu \) постоянно и не зависит от \( t \);
• дисперсия \( Var(X_t) = \sigma^2 \) постоянна;
• автоковариация \( Cov(X_t, X_{t+k}) \) зависит только от лага \( k \), а не от момента времени \( t \).

Нарушение хотя бы одного из этих условий делает ряд нестационарным. Нестационарность может быть вызвана различными причинами, включая наличие детерминированного тренда, стохастического тренда (единичного корня), сезонных колебаний, структурных сдвигов или изменений дисперсии.

Классификация нестационарных временных рядов

Нестационарные временные ряды классифицируют по типу нестационарности. Выделяют два основных класса: детерминированная нестационарность (тренд-стационарные ряды) и стохастическая нестационарность (разностно-стационарные ряды). Также существуют смешанные формы и ряды с изменяющейся дисперсией.

Тренд-стационарные ряды (TS-ряды)

Ряд называется тренд-стационарным (trend-stationary, TS), если после удаления детерминированного тренда (например, линейного, квадратичного или полиномиального) остаток является стационарным процессом. Модель такого ряда записывается как:

\[ X_t = f(t) + \varepsilon_t, \]

где \( f(t) \) — детерминированная функция времени (тренд), а \( \varepsilon_t \) — стационарный процесс (например, белый шум или ARMA). Типичный пример — экономический показатель, растущий с постоянным темпом, но с колебаниями вокруг тренда. Для приведения к стационарности достаточно оценить и вычесть тренд.

Разностно-стационарные ряды (DS-ряды)

Ряд называется разностно-стационарным (difference-stationary, DS), если его последовательные разности (первая, вторая и т.д.) образуют стационарный процесс. Такие ряды содержат стохастический тренд, часто называемый единичным корнем. Модель:

\[ X_t = X_{t-1} + \mu + \varepsilon_t, \]

где \( \mu \) — константа (дрейф), а \( \varepsilon_t \) — стационарный процесс. Если \( \mu = 0 \), ряд является случайным блужданием. Для стационаризации необходимо взять разность \( \Delta X_t = X_t - X_{t-1} \). Экономические временные ряды (цены акций, ВВП, курсы валют) часто являются DS-рядами.

Сезонная нестационарность

Ряд может быть нестационарным из-за сезонных эффектов, когда среднее значение или дисперсия регулярно изменяются в зависимости от времени года, месяца или дня недели. Сезонная нестационарность бывает детерминированной (сезонные фиктивные переменные) или стохастической (сезонный единичный корень). Для устранения применяют сезонное дифференцирование (например, \( \Delta_s X_t = X_t - X_{t-s} \), где \( s \) — период сезонности).

Нестационарность дисперсии (гетероскедастичность)

В некоторых рядах дисперсия изменяется во времени, что нарушает условие постоянства дисперсии. Пример — финансовые временные ряды с периодами высокой и низкой волатильности. Для моделирования такой нестационарности используются модели ARCH (авторегрессионная условная гетероскедастичность) и GARCH (обобщенная ARCH).

Методы выявления нестационарности

Для диагностики нестационарности применяют визуальные и статистические методы.

Визуальный анализ

График временного ряда позволяет оценить наличие тренда, сезонности, изменений дисперсии или резких скачков. Коррелограмма (график автокорреляционной функции, ACF) стационарного ряда быстро затухает, тогда как для нестационарного ряда (особенно с единичным корнем) значения ACF убывают медленно и остаются значимыми на больших лагах.

Статистические тесты

Для проверки гипотезы о стационарности используются тесты на единичный корень. Наиболее распространены:

• Тест Дики — Фуллера (ADF-тест) — проверяет нулевую гипотезу о наличии единичного корня против альтернативы о стационарности. Существуют модификации для моделей с константой и трендом.
• Тест Филлипса — Перрона (PP-тест) — учитывает возможную автокорреляцию и гетероскедастичность в остатках.
• Тест Квятковского — Филлипса — Шмидта — Шина (KPSS-тест) — проверяет нулевую гипотезу о стационарности против альтернативы о единичном корне.
• Тест Лейборна (LMC-тест) — применяется для различения TS- и DS-рядов.

Дополнительно используются тесты на сезонный единичный корень (например, тест Хегги) и тесты на структурные сдвиги (тест Чоу, тест Перрона).

Моделирование нестационарных рядов

Для анализа и прогнозирования нестационарных временных рядов разработаны специальные модели, учитывающие их особенности.

Модели с детерминированным трендом

Простейший подход — включение в регрессионную модель полиномиального тренда:

\[ X_t = \beta_0 + \beta_1 t + \beta_2 t^2 + \ldots + \beta_p t^p + \varepsilon_t. \]

Оценка параметров производится методом наименьших квадратов. После удаления тренда остаток моделируется как стационарный процесс ARMA.

Модели с единичным корнем (ARIMA)

Для DS-рядов применяется модель авторегрессии — интегрированного скользящего среднего (ARIMA, autoregressive integrated moving average), предложенная Боксом и Дженкинсом. Обозначение ARIMA(p, d, q) означает, что ряд дифференцируется d раз для достижения стационарности, после чего к разностям применяется модель ARMA(p, q). Например, ARIMA(1,1,1) включает первую разность, авторегрессию первого порядка и скользящее среднее первого порядка.

Сезонные модели (SARIMA)

Для рядов с сезонной нестационарностью используется сезонная модель ARIMA (SARIMA), обозначаемая как SARIMA(p, d, q)(P, D, Q)_s, где s — период сезонности, D — порядок сезонного дифференцирования, P и Q — порядки сезонных AR и MA компонент.

Модели с изменяющейся дисперсией

Для рядов с гетероскедастичностью применяются модели ARCH (p) и GARCH (p, q). В модели GARCH условная дисперсия зависит от прошлых квадратов остатков и прошлых условных дисперсий:

\[ \sigma_t^2 = \alpha_0 + \sum_{i=1}^p \alpha_i \varepsilon_{t-i}^2 + \sum_{j=1}^q \beta_j \sigma_{t-j}^2. \]

Модели с структурными сдвигами

Если ряд содержит резкие изменения среднего или тренда (структурные сдвиги), используются модели с фиктивными переменными или модели Марковского переключения (Markov-switching models), где параметры процесса меняются в зависимости от ненаблюдаемого состояния.

Применение в различных областях

Нестационарные временные ряды встречаются в широком спектре дисциплин.

Экономика и финансы

Большинство макроэкономических показателей (ВВП, инфляция, безработица) и финансовых рядов (цены акций, обменные курсы, процентные ставки) являются нестационарными. Анализ таких рядов необходим для прогнозирования, оценки рисков, тестирования гипотез (например, эффективности рынка) и построения эконометрических моделей (VAR, коинтеграция). Ошибка в идентификации типа нестационарности (TS vs DS) может привести к ложным регрессиям и неверным выводам.

Метеорология и климатология

Температура воздуха, уровень осадков, скорость ветра и другие климатические переменные часто демонстрируют тренды (глобальное потепление) и сезонность. Нестационарные модели используются для анализа изменения климата, прогноза погоды и оценки аномалий.

Обработка сигналов

В радиотехнике, акустике и сейсмологии нестационарные сигналы (речь, музыка, сейсмические колебания) анализируются с помощью вейвлет-преобразований, спектрограмм и адаптивных фильтров. Методы различаются в зависимости от характера нестационарности.

Биология и медицина

Электроэнцефалограммы (ЭЭГ), электрокардиограммы (ЭКГ) и другие биосигналы нестационарны по своей природе. Их анализ помогает диагностировать заболевания, изучать активность мозга и сердечно-сосудистой системы.

Критика и ограничения

Понятие нестационарности не является абсолютным: один и тот же ряд может быть стационарным на коротком интервале и нестационарным на длинном. Различение TS- и DS-рядов затруднено при малом количестве наблюдений и при наличии структурных сдвигов, что приводит к низкой мощности тестов на единичный корень. Критики (например, К. Симс) отмечают, что чрезмерное увлечение дифференцированием может привести к потере долгосрочной информации. Альтернативные подходы, такие как модели с дробным интегрированием (ARFIMA) или локально стационарные процессы, предлагают более гибкое описание.

Источники

1. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. — М.: Мир, 1974.
2. Hamilton J. D. Time Series Analysis. — Princeton University Press, 1994.
3. Enders W. Applied Econometric Time Series. — 4th ed. — Wiley, 2015.
4. Цыплаков А. А. Эконометрика. Введение в анализ временных рядов. — Новосибирск: НГУ, 2018.