SARIMA单变量时间序列预测是否具有尺度不变性？实测疑问求解

为什么缩放后预测不是严格倍数关系？ #

核心原因是statsmodels的SARIMAX默认包含常数项（趋势项），而常数项是加性的，不会随输入缩放比例同步变化：

• 纯ARIMA/SARIMA（无常数、无外生变量）理论上是尺度不变的：差分、AR、MA操作都是线性变换，输入放大k倍，模型的AR/MA系数不会改变，预测结果自然也会严格放大k倍。
• 但默认的trend='c'参数会让模型拟合一个固定常数项，这个常数是直接加在预测结果里的，不会随输入缩放按比例放大。比如原模型常数为c，输入放大1000倍后，模型拟合的新常数不是1000c，而是基于放大后数据重新拟合的固定值，直接打破了等比例关系。
  你用Air Passengers测试时应该是用了默认参数，模型自动加入了常数项，才导致预测结果偏离严格倍数。

这是statsmodels特有现象吗？ #

不是。几乎所有主流时间序列工具（比如R的forecast包、Python的pmdarima）的ARIMA/SARIMA实现，默认都会加入常数项或趋势项，只要带这类加性项，都会出现同样的问题。只有当你强制关闭常数项/趋势项时，才能恢复尺度不变性。

输入数据预处理：要不要归一化？ #

分两种情况判断：

• 如果模型带常数/趋势项：归一化不影响模型的预测逻辑，但能优化数值拟合过程——当数据量级过大时，归一化可以避免数值溢出，让模型的参数估计更稳定。
• 如果模型不带常数项：归一化与否不影响最终预测的比例关系（只要最后反缩放），但同样建议做归一化，尤其是当数据量级差异大时，能加快拟合收敛速度。
• 额外提醒：Air Passengers这类有指数增长趋势的数据集，更适合先做对数变换而非简单线性缩放——因为它的方差随均值同步增长，对数变换能稳定方差，让模型拟合更准确。此时模型在对数空间预测后，反变换回原空间即可得到合理结果。

验证方法 #

你可以修改SARIMAX的参数，强制关闭常数项：

model = SARIMAX(scaled_y, order=(p,d,q), seasonal_order=(P,D,Q,s), trend='nc')

用这个模型拟合后，预测结果应该和原数据的预测结果严格成1000倍关系。

内容的提问来源于stack exchange，提问作者Chenyang