ikkestasjonærhet

Ikke-stasjonærhet, eller ikkestasjonærhet, refererer til at en tidsserie ikke har konstant statistisk fordeling over tid. Dette betyr ofte at middelverdi, varians eller autokorrelasjon varierer med tiden. Ikke-stasjonære prosesser gir ofte utfordringer ved modellering, prediksjon og inferens fordi mange standardmetoder for tidsserieanalyse bygger på stasjonærhet eller viss type begrensninger av den.

Årsakene til ikkestasjonærhet kan være forskjeller i trend (det vil si en deterministisk eller stokastisk vekst eller nedgang), endringer i volatilitet (heteroskedastisitet), eller strukturelle brudd som endrer dynamikken i ulike perioder. En vanlig oppdeling er mellom ikke-stasjonæritet forårsaket av en tidsavhengig gjennomsnitt (trend-stasjonæritet, som kan gjøres stasjonær ved detrending) og ikke-stasjonæritet forårsaket av en enhetsrot eller random walk (stasjonæritet etter differensering). Det finnes også ikke-stasjonæritet som skyldes strukturelle skift eller regimeendringer.

Diagnostisering og behandling er sentralt i praksis. Visualisering av data, analyse av autokorrelasjoner og tester som Augmentert Dickey–Fuller (ADF), Phillips–Perron (PP) og KPSS brukes for å vurdere stasjonæritet. Ved påvist ikkestasjonærhet kan man differensiere dataene, detrende, transformere (for eksempel logaritme eller Box–Cox), eller bruke modeller som tar høyde for ikke-stasjonaritet, slik som ARIMA, cointegrasjon og error-correcting-modeller. For variansen kan modeller som ARCH/GARCH brukes for å håndtere tidsvarierende volatilitet, ofte i kombinasjon med trendjustering.

Konsekvenser inkluderer risiko for spuriøse eller upålitelige konklusjoner i regresjonsanalyser og ustabile prognoser hvis ikke-stasjonære egenskaper ikke adresseres. Forståelse av ikkestasjonærhet er derfor viktig for robust tidsserieanalyse.