时间序列无论怎么差分都不平稳，那怎么预测呢？

#额。。你居然使用matlab做的题= =。。。我是用R语言做的。。。matlab不知道代码怎么写。。但意思应该是一样的。。都是用那个automated model selection来做。。。#

额话说我是大学本科数学还有统计专业的。。不知道能不能帮上你，太高深的也不懂，你试试。

我记得我之前做过类似的题。。你先载入library(forecast)然后nsdiffs一下你的data和周期。。原来数据和log之后都行。。看哪个diagnostic之后通过。。然后用autoarima就是AIC或者BIC method自动fit个model。test model行不行。最后用forecast往下预测几个周期就好啦。。第一个图是我以前做的那个题的全部代码。。下面我截图了两段代码。。你试试。。

用autoarima去fit你的data看一下。

然后我当时是周期12，往下预测5段的。。所有h=512=60。。你用你的data往下试试。。

>nsdiffs(data,6)

之后看一下差分次数多少。。不行的话你看看log之后可以么？

>nsdiffs(log(data),6)

>ndiffs(diff(log(data),6))

啊对了。。突然想到。。既然要预测的话你有试过autoarima么。。让R自己弄阶数吧。。。用AIC，BIC来预测后面的。。。等下啊。。我写段代码给你。。

你看看不行的话，能把数据发给我么~~我也蛮想试下怎么往下预测的。。恩~~交流万岁~~

原序列平台稳，取对数后不平稳是不是每个时间序列都要做平稳性处理，如果是季度数据，变化比较大的数据是需要的。无论是一阶后还是二阶后，这些数据都是可以和原数据一起做回归。如果原序列平稳，就不需要取对数处理了。

现实经济生活中:

一些非平稳的经济时间序列往往表现出共同的变化趋势 ，而这些序列间本身不一定有直接的关联关系， 这时对这些数据进行回归，尽管有较高的R 2 ，但结果是没有任何实际意义的。这种现象称之为虚假回归或伪回归。

为了避免这种虚假回归的产生， 通常的做法是引入作为趋势变量的时间 ，这样包含有时间趋势变量的回归，可以消除这种趋势性的影响。然而这种做法， 只有当趋势性变量是确定性的而非随机性的，才会是有效的。换言之， 如果一个包含有某种确定性趋势的非平稳时间序列，可以通过引入表示这一确定性趋势的趋势变量，而将确定性趋势分离出来。

参考资料：

时间序列的平稳性及其检验

一般需要根据数据的时序图，看看有没有截距和趋势，然后再用匹配的ADF检验。不过就算原序列不平稳，没关系，同阶平稳就行，一般一阶都平稳了。可以继续做后面的协整分析、格兰杰检验和ECM模型。如果还有什么棘手的问题，可以私信联系。

---