StationarityToolkit: Comprehensive Time Series Stationarity Analysis in Python
StationarityToolkit：Python 时间序列平稳性综合分析工具AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接围绕时间序列平稳性、趋势、方差和季节性检验展开。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
StationarityToolkit：Python 时间序列平稳性综合分析工具
- 研究问题
- 面对趋势、方差和季节性等不同非平稳来源，如何避免依赖单项检验，并形成便于解释与转换的时间序列诊断？
- 方法与思路
- 作者提供 Python 库，将十项检验分为趋势、方差和季节性三类，自动识别时间频率，并支持检验、转换和复检流程。
- 材料陈述的贡献
- 摘要称，工具输出各项统计量、p 值与解释性建议，提供多维诊断，帮助用户区分需要不同处理方式的非平稳性。
- 阅读关注点
- 应核对十项检验的原假设、样本与频率要求，以及多项结果冲突、结构突变和重复检验时的解释与处理规则。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未核实；摘要未报告检验组合的统计保证或改善预测表现的证据。
原文摘要
Time-series stationarity is a property that statistical characteristics such as trend, variance, seasonality remain constant over time. It is considered fundamental to many forecasting and analysis methods. Different tests detect different types of non-stationarity: structural breaks or deterministic trends, clustered or time-dependent variance, stochastic or deterministic seasonality. A series might pass one test while failing another; single-test approaches seldom distinguish between conceptually different types of non-stationarity that require different types of tests and transformations. `StationarityToolkit` addresses this by providing a comprehensive Python library that runs 10 statistical tests across three categories: trend (4 tests), variance (4 tests), and seasonality (2 tests). Rather than a binary stationary/non-stationary verdict, users receive detailed diagnostics with actionable notes for each detection. The toolkit automatically infers the frequency of the data provided (requires datetime index), provides clear interpretations with test statistics and p-values, and supports an iterative test-transform-retest workflow essential for real-world data sets.