平稳过程中Cov(Xt+h,Xt)为常数的含义及相关协方差疑问

Great question—these are core concepts that trip up a lot of folks when first diving into time series and stationary processes. Let’s unpack both parts clearly:

1. Cov(Xt+h, Xt)为常数的实际含义是什么？ #

首先要明确：这里说的是宽平稳（弱平稳）过程的核心定义之一。这个性质的本质是：过程中两个时刻的相关性，只取决于它们之间的时间间隔h，和你选择的起始时间t完全无关。

举个接地气的例子：假设你观测某地每日正午的气温，这可以近似看作平稳过程。那么“今天正午气温”和“明天正午气温”的协方差，应该和“10天后正午气温”与“11天后正午气温”的协方差几乎一致——因为气温的波动模式是稳定的，不会突然变成“隔一天的相关性完全改变”。

反过来，如果协方差随t变化，说明过程的统计规律在漂移。比如一个快速城市化的城市，夏季气温逐年升高，那“今年6月1日和6月2日的气温协方差”就会和“5年前同期的协方差”不一样，这时候过程就不是平稳的了。

这个性质总结起来就是：平稳过程的“记忆”是均匀的——不管从哪个时间窗口切入，间隔h的两个时刻的关联程度都是相同的，不会因为时间推移而改变。

2. Xt+h和Xt是特定取值吗？二者的协方差具体指什么？ #

这里是一个很容易混淆的点：Xt和Xt+h不是某一次观测的具体值，而是t时刻和t+h时刻的随机变量。

比如Xt代表“t时刻的气温”——在你实际观测之前，它可能取一系列可能的值（比如夏季在25-35℃之间波动），每个值对应一定的概率；Xt+h则是“t+h时刻的气温”，同样是一个具有概率分布的随机变量。

它们的协方差，就是衡量这两个随机变量的联合变异性：

• 若协方差为正：说明Xt取较大值时，Xt+h也倾向于取较大值（比如今天热，明天大概率也热）；
• 若协方差为负：说明Xt偏大时，Xt+h更可能偏小（比如今天气温异常高，明天可能回落）；
• 若协方差接近0：说明两个时刻的取值几乎没有关联。

举个实际计算的例子：如果你有1000天的气温数据，计算Cov(Xt, Xt+1)时，你会用这1000对数据（第1天&第2天、第2天&第3天……第999天&第1000天）的样本协方差，来估计这两个随机变量之间的真实协方差。

内容的提问来源于stack exchange，提问作者Goutham