回答:
トレンド除去は基本です。これには、時間以外の共変量に対する回帰が含まれます。
季節調整は、違いをとるバージョンですが、別の手法として解釈することもできます。
変換データのは、暗黙のうちに他の何かに差分演算子を変換します。たとえば、対数の差は実際には比率です。
一部のEDA平滑化手法（移動中央値の除去など）は、トレンド除去のノンパラメトリックな方法と解釈できます。それらは、TukeyのEDAに関する本でそのように使用されました。Tukeyは、残差をトレンド除去し、必要な限りこのプロセスを繰り返すことで続けました（ゼロ付近で静止し、対称的に分布する残差を達成するまで）。
ある期間から次の期間への％変化を使用することは、最初に提案したように非定常変数を定常状態にする最良の方法だとまだ考えています。ログなどの変換は合理的に機能します（非定常品質は平坦化されますが、完全に除去されるわけではありません）。
3番目の方法は、1つの単一の線形回帰で、データの季節除去とトレンド除去を同時に行います。1つの独立変数は、トレンド（または時間）です：1、2、3、...期間の数。また、他の変数は、11の異なるカテゴリを持つカテゴリ変数です（12か月のうち11か月）。次に、この回帰から得られた係数を使用して、データのトレンド除去とシーズン解除を同時に行うことができます。データセット全体が基本的にフラット化されていることがわかります。期間間の残りの違いは、成長傾向と季節の両方から独立した変化を反映します。
ログと逆数およびその他のべき乗変換は、しばしば予期しない結果をもたらします。
トレンド除去の残差（つまり、Tukey）に関しては、これはいくつかのケースで何らかの用途があるかもしれませんが、危険です。一方、レベルシフトとトレンド変化の検出は、介入検出法を採用している研究者が体系的に利用できます。パルスがレベルシフトの差であるように、レベルシフトは時間トレンドの差であるため、Ruey Tsayが採用している方法はこの問題で簡単にカバーされます。
シリーズがレベルシフト（つまり、インターセプトの変化）を示す場合、シリーズを静止させるための適切な対策は、シリーズを「軽meanする」ことです。Box-Jenkinsは、非定常性に対する救済策が差分演算子であると仮定することにより、重大なエラーを起こしました。そのため、差分が適切な場合もあれば、平均シフト「s」の調整が適切な場合もあります。どちらの場合でも、自己相関関数は非定常性を示すことがあります。これは、シリーズの状態の症状です（つまり、静止または非静止）。明らかな非定常性の場合、原因は異なる可能性があります。たとえば、シリーズには真に連続的に変化する平均値があるか、シリーズに平均値の一時的な変化があります。
提案されたアプローチは、1982年に最初にTsayが提案され、いくつかのソフトウェアに追加されました。研究者は、「異常値、レベルシフト、時系列の分散の変化」というタイトルのTsayの予測のジャーナルの記事、Journal of Forecasting、Vol。7、I-20（1988）。
いつものように、教科書は最先端のテクノロジーを組み込むのに時間がかかりますが、この資料はWeiの本（すなわち時系列分析）で参照できます。