在使用ARIMA模型时首先要保证数据的平稳性, 严平稳（Strict Stationarity）和弱平稳（Weak Stationarity）是时间序列分析中常用的概念，用于描述时间序列数据的性质和特征。
- 严平稳（Strict Stationarity）： 严平稳是指时间序列的所有统计特性在时间上都是不变的。具体来说，一个时间序列被认为是严平稳的，需要满足以下条件：
- 均值不随时间变化：序列的均值在任意时刻都保持不变。
- 方差不随时间变化：序列的方差在任意时刻都保持不变。
- 自协方差不随时间变化：序列的自协方差（或自相关函数）在任意时刻之间的差距不随时间变化。
严平稳是一个非常严格的条件，对于大多数实际的时间序列数据而言，很难完全满足严平稳的要求。
- 弱平稳（Weak Stationarity）： 弱平稳是相对于严平稳而言的一个弱化条件，它是在严平稳条件下的一种松弛定义。弱平稳要求时间序列满足以下条件：
- 均值不随时间变化：序列的均值在任意时刻都保持不变。
- 方差不随时间变化：序列的方差在任意时刻都保持不变。
- 自协方差仅依赖于时间间隔：序列的自协方差（或自相关函数）仅取决于时间间隔，而不依赖于具体的时间点。
弱平稳相对于严平稳来说更容易满足，因此在实践中，我们通常使用弱平稳作为时间序列分析的基础假设。
需要注意的是，弱平稳性只是一个基本的假设，实际的时间序列数据可能存在其他的非平稳性特征，如趋势、季节性等，需要进行平稳处理。