差分 - Differencing

在时间序列分析中，"差分"的英文是 differencing（动词形式为 to difference）。

一、什么是差分（Differencing）？

差分是一种用于使非平稳时间序列变得平稳的常用技术。其基本思想是：用当前观测值减去前一个（或前几个）时期的观测值，从而消除趋势或季节性成分。

数学上，对一个时间序列 $\{y_t\}$，其一阶差分（first-order differencing）定义为：

$\Delta y_t = y_t - y_{t-1}$

其中：

• $y_t$ 是时间 $t$ 的观测值，
• $y_{t-1}$ 是前一期的观测值，
• $\Delta y_t$ 是差分后的结果。

如果一次差分后序列仍不平稳，可以进行二阶差分（second-order differencing）：

$\Delta^2 y_t = \Delta y_t - \Delta y_{t-1} = (y_t - y_{t-1}) - (y_{t-1} - y_{t-2}) = y_t - 2y_{t-1} + y_{t-2}$

对于具有季节性的时间序列（如月度数据有12个月周期），还可以进行季节性差分（seasonal differencing），例如：

$\Delta_s y_t = y_t - y_{t-s}$

其中 $s$ 是季节周期（如月度数据中 $s = 12$）。

---

二、为什么需要差分？

许多时间序列模型（如 ARIMA 模型）要求数据是平稳的（stationary），即均值、方差和自协方差不随时间变化。如果原始序列有明显趋势或季节性，就不是平稳的。差分可以去除这些非平稳成分。

---

三、举例说明

假设我们有一个简单的时间序列（比如某公司每月销售额）：

月份 (t)	销售额 $y_t$
1	100
2	105
3	110
4	115
5	120

这个序列明显呈线性上升趋势（非平稳）。我们对其进行一阶差分：

• $\Delta y_2 = y_2 - y_1 = 105 - 100 = 5$
• $\Delta y_3 = 110 - 105 = 5$
• $\Delta y_4 = 115 - 110 = 5$
• $\Delta y_5 = 120 - 115 = 5$

差分后的序列为：[5, 5, 5, 5] —— 这是一个平稳序列（均值和方差恒定）。

---

四、在 ARIMA 模型中的应用

ARIMA(p, d, q) 模型中的 d 就代表差分的阶数（order of differencing）。例如：

• ARIMA(1,1,1) 表示对原始序列进行一次差分后，再拟合 ARMA(1,1) 模型。

---

总结

• 英文：differencing（动词：to difference）
• 含义：用当前值减去过去值，以消除趋势或季节性，使序列平稳。
• 常见类型：一阶差分、二阶差分、季节性差分。
• 目的：为建模（如 ARIMA）准备平稳数据。