Statsmodelsは、ARIMAはシリーズが静止していないため適切ではないと述べていますが、それをどのようにテストしていますか？

Pythonのstatsmodels ARIMA APIでモデル化しようとしている時系列があります。以下を適用した場合：

from statsmodels.tsa.arima_model import ARIMA
model = ARIMA(data['Sales difference'].dropna(), order=(2, 1, 2))
results_AR = model.fit(disp=-1)

次のエラーが発生します。

ValueError: The computed initial AR coefficients are not stationary
You should induce stationarity, choose a different model order, or you can
pass your own start_params.

しかし、私はすでにデータを区別しています：

data['Sales'] = data['Sales'] - data['Sales'].shift() 

定常性を誘発するためにこれ以上何ができますか？

また、データが静止していないことを確認するためにARIMA APIを実行しているテストは何ですか？

私の元の時系列は次のようになります。

差分時系列は次のようになります。

そして、私のACFプロットは次のようになります。

「定常性を誘発するために、私はこれ以上何ができますか？」と尋ねました。シリーズがレベルシフト（症状）を示す場合、これは非定常性の例です。正しい対処法は、データを「意味のないものにする」ことであり、それによって差異が生じないようにします。さらに、シリーズは確定的傾向または季節的脈動の変化を示す可能性があり、介入検出スキームによって修正できます。シリーズのパラメーターが時間の経過とともに変化する場合（症状）、正しい対処法は、チャウテストを介してブレークポイントを見つけ、最新のセットまたは何らかの形のしきい値モデル（TAR）を使用することです。一連のエラーの変化が時間の経過とともに変化する場合（症状）、正しい解決策はWLSのGLSの形式または何らかの形式の電力変換です。 または、それらの比較的単純な救済がGARCHモデルの何らかの形で失敗する。

元のデータを投稿していただければ、さらにお役に立てるかもしれません。

注意深く読んでください。時系列が定常的ではないということではありません。これは、初期係数が定常的ではないことを示しています（これは、定常的なプロセスを記述していないことを意味します）。

それが示唆するように、開始値に独自の推測を入力してみることができます。しかし、モデルが誤って指定されているため、そもそも悪い開始値を選択しているのではないかと思います。時系列をすでに差異化している場合は、おそらく積分順序1も指定したくないでしょう。おそらく、order =（2、1、2）ではなく、order =（2、0、2）を意味します。

時系列信号では、ウィンドウ処理を使用して定常性を導入できます。オーバーラップを伴う適切なウィンドウ手法を使用して、単一の時系列信号をより小さな信号に分割できます。周波数領域でのスプリアスピークを回避するにはウィンドウ処理が必要であり、信号エネルギーを節約するにはオーバーラップが必要です。通常、音声信号（8KHzサンプリング周波数）には30ミリ秒のフレームがあり、フレームごとに240サンプルを提供します。これは、50％のオーバーラップがあるハミングウィンドウを使用して複雑です。

差分時系列は一定の分散を持たないため、定常的ではありません。対数微分を試すことができます。